論文の概要: DINO-Detect: A Simple yet Effective Framework for Blur-Robust AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2511.12511v2
• Date: Tue, 18 Nov 2025 06:34:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 13:59:16.782884
• Title: DINO-Detect: A Simple yet Effective Framework for Blur-Robust AI-Generated Image Detection
• Title（参考訳）: DINO-Detect: ブルーバストAI生成画像検出のためのシンプルで効果的なフレームワーク
• Authors: Jialiang Shen, Jiyang Zheng, Yunqi Xue, Huajie Chen, Yu Yao, Hui Kang, Ruiqi Liu, Helin Gong, Yang Yang, Dadong Wang, Tongliang Liu,
• Abstract要約: そこで我々は,教師の知識蒸留に基づくぼやけたAIGI検出フレームワークを開発した。 クリーンな(シャープな)イメージに基づいて訓練された高容量の教師(DINOv3)は、学習の基準となる安定的で意味的に豊かな表現を提供する。 教師は,その一般化能力を維持するために凍結することにより,その特徴を抽出し,鮮明な画像からのロジット応答を,ぼやけた画像に基づいて訓練した学生に伝える。
• 参考スコア（独自算出の注目度）: 49.150854960278764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With growing concerns over image authenticity and digital safety, the field of AI-generated image (AIGI) detection has progressed rapidly. Yet, most AIGI detectors still struggle under real-world degradations, particularly motion blur, which frequently occurs in handheld photography, fast motion, and compressed video. Such blur distorts fine textures and suppresses high-frequency artifacts, causing severe performance drops in real-world settings. We address this limitation with a blur-robust AIGI detection framework based on teacher-student knowledge distillation. A high-capacity teacher (DINOv3), trained on clean (i.e., sharp) images, provides stable and semantically rich representations that serve as a reference for learning. By freezing the teacher to maintain its generalization ability, we distill its feature and logit responses from sharp images to a student trained on blurred counterparts, enabling the student to produce consistent representations under motion degradation. Extensive experiments benchmarks show that our method achieves state-of-the-art performance under both motion-blurred and clean conditions, demonstrating improved generalization and real-world applicability. Source codes will be released at: https://github.com/JiaLiangShen/Dino-Detect-for-blur-robust-AIGC-Detection.
• Abstract（参考訳）: 画像の信頼性とデジタル安全性に関する懸念が高まり、AI生成画像(AIGI)検出の分野は急速に進歩している。 しかし、ほとんどのAIGI検出器は、実世界の劣化、特に手持ちの撮影、高速モーション、圧縮ビデオでしばしば発生する動きのぼかしに苦戦している。 このようなぼやけは細かいテクスチャを歪め、高周波のアーティファクトを抑え、現実世界の環境では厳しいパフォーマンス低下を引き起こす。 本稿では,教師の知識蒸留に基づく曖昧なAIGI検出フレームワークを用いて,この制限に対処する。 クリーンな(シャープな)イメージに基づいて訓練された高容量の教師(DINOv3)は、学習の基準となる安定的で意味的に豊かな表現を提供する。 教師を凍結させて一般化能力を維持することにより, 鮮明な画像からの特徴とロジット応答を, ぼやけた画像に基づいて訓練した学生に抽出し, 学生が運動劣化下で一貫した表現を生成できるようにする。 広汎な実験ベンチマークにより, この手法は, 動色およびクリーンな条件下での最先端性能を実現し, 一般化と実世界の適用性の向上を実証した。 ソースコードは、https://github.com/JiaLiangShen/Dino-Detect-for-blur-robust-AIGC-detectionで公開される。

関連論文リスト

• Is Artificial Intelligence Generated Image Detection a Solved Problem? [16.9828631287303]
  AIGIBenchは、最先端AIGI検出器の堅牢性と一般化能力を厳格に評価するために設計されたベンチマークである。 マルチソースの一般化、画像劣化に対する堅牢性、データ拡張に対する敏感性、テスト時間前処理の影響の4つのコアタスクを通じて、現実世界の課題をシミュレートする。 ソーシャルメディアやAIアートプラットフォームから収集された実世界のサンプルとともに、高度な画像生成技術と広く採用されている画像生成技術の両方にまたがる、23の多様なフェイクイメージサブセットが含まれている。
  論文  参考訳（メタデータ） (2025-05-18T10:00:39Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• 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)
• RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
  RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
  論文  参考訳（メタデータ） (2024-05-30T14:49:54Z)

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。