論文の概要: LiteUpdate: A Lightweight Framework for Updating AI-Generated Image Detectors

• arxiv url: http://arxiv.org/abs/2511.07192v1
• Date: Mon, 10 Nov 2025 15:22:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.319656
• Title: LiteUpdate: A Lightweight Framework for Updating AI-Generated Image Detectors
• Title（参考訳）: LiteUpdate:AI生成イメージ検出器をアップデートするための軽量フレームワーク
• Authors: Jiajie Lu, Zhenkan Fu, Na Zhao, Long Xing, Kejiang Chen, Weiming Zhang, Nenghai Yu,
• Abstract要約: AI生成画像検出器を更新するための軽量なフレームワーク LiteUpdate を提案する。 LiteUpdateでは、イメージの信頼性と勾配に基づく識別機能を活用する、代表的なサンプル選択モジュールを採用している。 実験により、LiteUpdateは様々な検出器における検出性能を大幅に向上させることが示された。
• 参考スコア（独自算出の注目度）: 71.23171205478117
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid progress of generative AI has led to the emergence of new generative models, while existing detection methods struggle to keep pace, resulting in significant degradation in the detection performance. This highlights the urgent need for continuously updating AI-generated image detectors to adapt to new generators. To overcome low efficiency and catastrophic forgetting in detector updates, we propose LiteUpdate, a lightweight framework for updating AI-generated image detectors. LiteUpdate employs a representative sample selection module that leverages image confidence and gradient-based discriminative features to precisely select boundary samples. This approach improves learning and detection accuracy on new distributions with limited generated images, significantly enhancing detector update efficiency. Additionally, LiteUpdate incorporates a model merging module that fuses weights from multiple fine-tuning trajectories, including pre-trained, representative, and random updates. This balances the adaptability to new generators and mitigates the catastrophic forgetting of prior knowledge. Experiments demonstrate that LiteUpdate substantially boosts detection performance in various detectors. Specifically, on AIDE, the average detection accuracy on Midjourney improved from 87.63% to 93.03%, a 6.16% relative increase.
• Abstract（参考訳）: 生成AIの急速な進歩により、新しい生成モデルが出現し、既存の検出方法はペースを維持するのに苦労し、検出性能が著しく低下する。 これは、新しいジェネレータに適応するために、AI生成イメージ検出器を継続的に更新する緊急の必要性を強調している。 検出器更新における低効率性と破滅的な忘れを克服するため,我々は,AI生成画像検出器を更新するための軽量なフレームワークである LiteUpdate を提案する。 LiteUpdateでは、画像の信頼性と勾配に基づく識別機能を活用して、境界サンプルを正確に選択する代表的なサンプル選択モジュールを採用している。 このアプローチは、限られた生成画像を持つ新しい分布の学習と検出精度を改善し、検出器更新効率を大幅に向上させる。 さらに、LiteUpdateには、事前トレーニング、代表、ランダム更新を含む複数の微調整トラジェクトリからの重みを融合するモデルマージモジュールが組み込まれている。 これは新しい発電機への適応性をバランスさせ、以前の知識の破滅的な忘れを軽減させる。 実験により、LiteUpdateは様々な検出器における検出性能を大幅に向上させることが示された。 特にAIDEでは、Midjourneyの平均検出精度が87.63%から93.03%に向上し、6.16%が相対的に増加した。

関連論文リスト

• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• A Sanity Check for AI-generated Image Detection [49.08585395873425]
  我々はAI生成画像を検出するAI生成画像検出装置(AI生成画像検出装置)を提案する。 AIDEは最先端の手法を+3.5%、+4.6%改善した。
  論文  参考訳（メタデータ） (2024-06-27T17:59:49Z)
• Improving Interpretability and Robustness for the Detection of AI-Generated Images [6.116075037154215]
  凍結したCLIP埋め込みに基づいて、既存の最先端AIGI検出手法を解析する。 さまざまなAIジェネレータが生成する画像が実際の画像とどのように異なるかを示す。
  論文  参考訳（メタデータ） (2024-06-21T10:33:09Z)
• FakeInversion: Learning to Detect Images from Unseen Text-to-Image Models by Inverting Stable Diffusion [18.829659846356765]
  本稿では,オープンソース事前学習型安定拡散モデルを用いて得られた特徴を用いた新しい合成画像検出器を提案する。 これらの逆転により、検出器は高視力の未確認発電機によく一般化できることが示される。 本稿では, 逆画像探索を用いて, 検出器評価におけるスタイリスティックおよびテーマバイアスを緩和する, 新たな挑戦的評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2024-06-12T19:14:58Z)
• Adapting Vision Transformer for Efficient Change Detection [36.86012953467539]
  本稿では,事前学習した画像エンコーダのパラメータを凍結し,追加のトレーニングパラメータを導入する,効率的なチューニング手法を提案する。 6つの変更検出ベンチマークで非常に低いリソース消費を維持しながら、競争力やよりよい結果を得ました。
  論文  参考訳（メタデータ） (2023-12-08T07:09:03Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Illumination and Temperature-Aware Multispectral Networks for Edge-Computing-Enabled Pedestrian Detection [10.454696553567809]
  本研究は,高精度かつ効率的な歩行者検出のための軽量照明・温度対応マルチスペクトルネットワーク(IT-MN)を提案する。 提案アルゴリズムは、車載カメラで収集した公開データセットを用いて、選択した最先端アルゴリズムと比較して評価する。 提案アルゴリズムは,GPU上の画像ペアあたり14.19%,0.03秒の低ミス率と推論時間を実現する。
  論文  参考訳（メタデータ） (2021-12-09T17:27:23Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)

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。