論文の概要: Training-free Detection of AI-generated images via Cropping Robustness

• arxiv url: http://arxiv.org/abs/2511.14030v1
• Date: Tue, 18 Nov 2025 01:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.867259
• Title: Training-free Detection of AI-generated images via Cropping Robustness
• Title（参考訳）: クロッピングロバストネスによるAI生成画像のトレーニング不要検出
• Authors: Sungik Choi, Hankook Lee, Moontae Lee,
• Abstract要約: WaRPADは、自己教師型モデルに基づくトレーニング不要のAI生成画像検出アルゴリズムである。 我々は、WaRPADが一貫して競争性能を達成し、テストタイムの腐敗に対して強い堅牢性を示すことを示す。
• 参考スコア（独自算出の注目度）: 33.85512004342153
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-generated image detection has become crucial with the rapid advancement of vision-generative models. Instead of training detectors tailored to specific datasets, we study a training-free approach leveraging self-supervised models without requiring prior data knowledge. These models, pre-trained with augmentations like RandomResizedCrop, learn to produce consistent representations across varying resolutions. Motivated by this, we propose WaRPAD, a training-free AI-generated image detection algorithm based on self-supervised models. Since neighborhood pixel differences in images are highly sensitive to resizing operations, WaRPAD first defines a base score function that quantifies the sensitivity of image embeddings to perturbations along high-frequency directions extracted via Haar wavelet decomposition. To simulate robustness against cropping augmentation, we rescale each image to a multiple of the models input size, divide it into smaller patches, and compute the base score for each patch. The final detection score is then obtained by averaging the scores across all patches. We validate WaRPAD on real datasets of diverse resolutions and domains, and images generated by 23 different generative models. Our method consistently achieves competitive performance and demonstrates strong robustness to test-time corruptions. Furthermore, as invariance to RandomResizedCrop is a common training scheme across self-supervised models, we show that WaRPAD is applicable across self-supervised models.
• Abstract（参考訳）: AI生成画像検出は、視覚生成モデルの急速な進歩に欠かせないものとなっている。 特定のデータセットに合わせて調整された検出器をトレーニングする代わりに、事前のデータ知識を必要とせずに、自己教師付きモデルを活用するトレーニング不要のアプローチについて研究する。 RandomResizedCropのような拡張で事前訓練されたこれらのモデルは、様々な解像度で一貫した表現を生成することを学ぶ。 そこで我々は,自己教師型モデルに基づくトレーニング不要なAI生成画像検出アルゴリズムWaRPADを提案する。 画像の近傍画素差は縮小操作に非常に敏感であるため、WARPADはまず、ハールウェーブレット分解によって抽出された高周波方向に沿った摂動に対する画像埋め込みの感度を定量化する基本スコア関数を定義する。 収穫増倍に対するロバスト性をシミュレートするため,各画像を複数のモデル入力サイズに再スケールし,より小さなパッチに分割し,各パッチのベーススコアを算出する。 最終的な検出スコアは、すべてのパッチでスコアを平均化することによって得られる。 我々は、WARPADを、様々な解像度と領域の実際のデータセットと、23の異なる生成モデルによって生成された画像に基づいて検証する。 提案手法は競争性能を継続的に達成し,テストタイムの破損に対して強い堅牢性を示す。 さらに、RandomResizedCropに対する不変性は、自己教師型モデルに共通する訓練スキームであるため、WARPADは自己教師型モデルにまたがって適用可能であることを示す。

関連論文リスト

• Epistemic Uncertainty for Generated Image Detection [107.62647907393377]
  本稿では,創成モデルの時代において重要なセキュリティ問題に対処することを目的とした,てんかん不確実性によるAI生成画像検出のための新しいフレームワークを提案する。 我々の重要な洞察は、トレーニングとテストデータの分布の相違が、機械学習モデルのエピステマティック不確実性空間に顕著に現れていることに起因している。
  論文  参考訳（メタデータ） (2024-12-08T11:32:25Z)
• 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)
• Time Step Generating: A Universal Synthesized Deepfake Image Detector [0.4488895231267077]
  汎用合成画像検出器 Time Step Generating (TSG) を提案する。 TSGは、事前訓練されたモデルの再構築能力、特定のデータセット、サンプリングアルゴリズムに依存していない。 我々は,提案したTSGを大規模GenImageベンチマークで検証し,精度と一般化性の両方において大幅な改善を実現した。
  論文  参考訳（メタデータ） (2024-11-17T09:39:50Z)
• 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)
• 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)
• 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)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• RAIN: A Simple Approach for Robust and Accurate Image Classification Networks [156.09526491791772]
  既存の敵防衛手法の大部分は、予測精度を犠牲にして堅牢性を実現することが示されている。 本稿では,ロバストおよび高精度画像分類N(RAIN)と呼ぶ新しい前処理フレームワークを提案する。 RAINは入力に対してランダム化を適用して、モデルフォワード予測パスと後方勾配パスの関係を壊し、モデルロバスト性を改善する。 STL10 と ImageNet のデータセットを用いて、様々な種類の敵攻撃に対する RAIN の有効性を検証する。
  論文  参考訳（メタデータ） (2020-04-24T02:03:56Z)

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。