論文の概要: Proto-LeakNet: Towards Signal-Leak Aware Attribution in Synthetic Human Face Imagery

• arxiv url: http://arxiv.org/abs/2511.04260v1
• Date: Thu, 06 Nov 2025 10:51:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.395105
• Title: Proto-LeakNet: Towards Signal-Leak Aware Attribution in Synthetic Human Face Imagery
• Title（参考訳）: Proto-LeakNet:合成人間の顔画像における信号リーク認識の寄与に向けて
• Authors: Claudio Giusti, Luca Guarnera, Sebastiano Battiato,
• Abstract要約: Proto-LeakNetは、シグナルリーク対応で解釈可能な属性フレームワークである。 Proto-LeakNetは後処理で頑健な潜在幾何学を学習していることを示す。 その結果、潜時空間における信号リークバイアスのモデル化により、信頼性と解釈可能なAI画像とディープフェイク法医学が実現された。
• 参考スコア（独自算出の注目度）: 6.261566338754577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing sophistication of synthetic image and deepfake generation models has turned source attribution and authenticity verification into a critical challenge for modern computer vision systems. Recent studies suggest that diffusion pipelines unintentionally imprint persistent statistical traces, known as signal leaks, within their outputs, particularly in latent representations. Building on this observation, we propose Proto-LeakNet, a signal-leak-aware and interpretable attribution framework that integrates closed-set classification with a density-based open-set evaluation on the learned embeddings, enabling analysis of unseen generators without retraining. Operating in the latent domain of diffusion models, our method re-simulates partial forward diffusion to expose residual generator-specific cues. A temporal attention encoder aggregates multi-step latent features, while a feature-weighted prototype head structures the embedding space and enables transparent attribution. Trained solely on closed data and achieving a Macro AUC of 98.13%, Proto-LeakNet learns a latent geometry that remains robust under post-processing, surpassing state-of-the-art methods, and achieves strong separability between known and unseen generators. These results demonstrate that modeling signal-leak bias in latent space enables reliable and interpretable AI-image and deepfake forensics. The code for the whole work will be available upon submission.
• Abstract（参考訳）: 合成画像とディープフェイク生成モデルの高度化により、ソース属性と認証は現代のコンピュータビジョンシステムにとって重要な課題となった。 近年の研究では、拡散パイプラインは、特に潜時表現において、信号リークとして知られる永続的な統計トレースを出力内に意図せずに印字することを示唆している。 本研究は,信号リークを認識・解釈可能な帰属フレームワークであるProto-LeakNetを提案する。 拡散モデルの潜在領域で動作し、部分的な前方拡散を再現し、残留発生器固有の手がかりを露呈する。 時間的注意エンコーダは多段階の潜伏特徴を集約し、特徴重み付きプロトタイプヘッドは埋め込み空間を構成し、透過的な帰属を可能にする。 クローズドデータのみを訓練し、98.13%のマクロAUCを達成するProto-LeakNetは、ポストプロセッシングの下で頑健で、最先端の手法を超越し、既知のジェネレータと未知のジェネレータの強い分離性を実現する潜時幾何学を学習した。 これらの結果は、潜時空間における信号リークバイアスをモデル化することで、信頼性と解釈可能なAI画像とディープフェイク法医学を可能にすることを示す。 作業全体のコードは提出時に公開されます。

関連論文リスト

• Who Made This? Fake Detection and Source Attribution with Diffusion Features [0.15293427903448018]
  FRIDA(Deepfake Detection and Source Attribution)というフレームワークを紹介した。 コンパクトなニューラルモデルは正確なソース属性を可能にする。 その結果、拡散表現は本質的にジェネレータ固有のパターンを符号化していることがわかった。
  論文  参考訳（メタデータ） (2025-10-31T16:27:34Z)
• LATTE: Latent Trajectory Embedding for Diffusion-Generated Image Detection [13.576997219135992]
  LATent Trajectory Embeddingは、複数の認知ステップにまたがる遅延埋め込みの進化をモデル化する新しいアプローチである。 GenImage、Chameleon、Diffusion Forensicsといったいくつかのベンチマークの実験は、LATTEが優れたパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2025-07-03T12:53:47Z)
• Non-Linear Outlier Synthesis for Out-of-Distribution Detection [5.019613806273252]
  本稿では,拡散モデル埋め込み空間で直接操作することで,合成外乱器の品質を向上させるNCISを提案する。 これらの改良により,標準的な ImageNet100 および CIFAR100 ベンチマークにおいて,最先端の OOD 検出結果が得られた。
  論文  参考訳（メタデータ） (2024-11-20T09:47:29Z)
• Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
  Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。 CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
  論文  参考訳（メタデータ） (2024-07-29T18:00:10Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)
• Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
  我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。 この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
  論文  参考訳（メタデータ） (2023-12-16T14:27:06Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。