論文の概要: Beyond Binary Classification: A Semi-supervised Approach to Generalized AI-generated Image Detection

• arxiv url: http://arxiv.org/abs/2511.19499v1
• Date: Sun, 23 Nov 2025 16:02:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.047671
• Title: Beyond Binary Classification: A Semi-supervised Approach to Generalized AI-generated Image Detection
• Title（参考訳）: バイナリ分類を超えて:汎用AI生成画像検出のための半教師付きアプローチ
• Abstract要約: 現在の法医学における重大な脆弱性は、検出器がクロスジェネレータの一般化を達成できないことである。 本稿では,「フェイク」クラス内の潜在アーキテクチャパターンを発見することによって,バイナリ分類を強化する半教師付きアプローチを提案する。
• 参考スコア（独自算出の注目度）: 1.189955933770711
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The rapid advancement of generators (e.g., StyleGAN, Midjourney, DALL-E) has produced highly realistic synthetic images, posing significant challenges to digital media authenticity. These generators are typically based on a few core architectural families, primarily Generative Adversarial Networks (GANs) and Diffusion Models (DMs). A critical vulnerability in current forensics is the failure of detectors to achieve cross-generator generalization, especially when crossing architectural boundaries (e.g., from GANs to DMs). We hypothesize that this gap stems from fundamental differences in the artifacts produced by these \textbf{distinct architectures}. In this work, we provide a theoretical analysis explaining how the distinct optimization objectives of the GAN and DM architectures lead to different manifold coverage behaviors. We demonstrate that GANs permit partial coverage, often leading to boundary artifacts, while DMs enforce complete coverage, resulting in over-smoothing patterns. Motivated by this analysis, we propose the \textbf{Tri}archy \textbf{Detect}or (TriDetect), a semi-supervised approach that enhances binary classification by discovering latent architectural patterns within the "fake" class. TriDetect employs balanced cluster assignment via the Sinkhorn-Knopp algorithm and a cross-view consistency mechanism, encouraging the model to learn fundamental architectural distincts. We evaluate our approach on two standard benchmarks and three in-the-wild datasets against 13 baselines to demonstrate its generalization capability to unseen generators.
• Abstract（参考訳）: ジェネレータ(例えば、StyleGAN、Midjourney、DALL-E)の急速な進歩は、非常にリアルな合成画像を生み出し、デジタルメディアの信頼性に重大な課題を生んでいる。 これらのジェネレータは典型的にはいくつかの中核的なアーキテクチャファミリ(主にGAN(Generative Adversarial Networks)とDM(Diffusion Models))に基づいている。 現在の法医学における重大な脆弱性は、特にアーキテクチャの境界を越えた場合(例えば、GANからDMまで)、検出器がクロスジェネレータの一般化を達成できないことである。 このギャップは、これらの \textbf{distinct architectures} によって生成されるアーティファクトの根本的な違いに起因すると仮定する。 本稿では,GAN と DM アーキテクチャの異なる最適化目標が,多様体被覆挙動にどのように寄与するかを理論的に説明する。 GANは部分的カバレッジを許容し、しばしば境界アーティファクトにつながるが、DMは完全なカバレッジを強制し、結果として過度にスムースなパターンをもたらすことを示す。 この分析を動機として、"フェイク"クラス内の潜在アーキテクチャパターンを発見し、バイナリ分類を強化する半教師付きアプローチである、‘textbf{Tri}archy \textbf{Detect}or(TriDetect)’を提案する。 TriDetectでは、Sinkhorn-Knoppアルゴリズムとクロスビュー一貫性メカニズムを通じて、バランスの取れたクラスタ割り当てを採用している。 提案手法は,2つの標準ベンチマークと3つの標準データセットに対して,13のベースラインに対して評価し,未知のジェネレータへの一般化能力を実証する。

関連論文リスト

• LoRC: Detecting AI-Generated Images via Low-Rank Collapse in Semantic Residuals [50.157719466558696]
  現代の発電機は, セマンティック・残留部分空間において, 支配的なセマンティックな方向を保ちながら, 低ランクの崩壊を示すことを示す。 崩壊した残余幾何を捉えるために意味的優位性を分離するフレームワークである textbfLoRC を提案する。 本手法は,複数のベンチマークで平均7.0%の精度向上を実現し,39個の未知のジェネレータ上で97.0%の精度を実現する。
  論文  参考訳（メタデータ） (2026-08-21T08:58:47Z)
• STAR: A Spatial-Topology Aware Routing Framework for Generalizable 3D Scene Understanding [10.259254902492978]
  本稿では,STAR(Spatial-Topology Aware Routing Framework)を提案する。 具体的には,複数属性の自己教師付き事前学習ブランチを導入し,トポロジカルおよびテクスチャ的変動をカバーし,ドメイン間構造的先行を固定する。 そこで我々は,DSR (Domain-Spatial-Guided Routing) とEDA (Entropy-control Dynamic Allocation) の2つのメカニズムを持つドメイン認識エキスパートブランチを設計した。
  論文  参考訳（メタデータ） (2026-08-12T06:21:59Z)
• Cross-Domain Generalization Limits of Vision Foundation Models in Facial Deepfake Detection [2.538209532048867]
  生成モデルは、超現実的な顔のディープフェイクの作成を可能にした。 伝統的なネットワークは表現の崩壊に悩まされ、局所化されたアーティファクトの指紋に過度に適合する。 本研究では、現代のビジョンファウンデーション・モデルが一般化可能な、アウト・オブ・ザ・ボックスな特徴抽出器として機能するかどうかを考察する。
  論文  参考訳（メタデータ） (2026-05-24T09:33:46Z)
• Multi-Feature Fusion Approach for Generative AI Images Detection [3.16770435670322]
  3つの異なる空間からの相補的手がかりを組み合わせた多機能融合フレームワークを検討・評価する。 個々の特徴空間は、異なるジェネレータ間で大きな性能変動を示すことを示す。 最先端の手法と比較して、提案するフレームワークは、評価されたすべてのデータセットに対して一貫してパフォーマンスを向上する。
  論文  参考訳（メタデータ） (2026-03-31T14:25:10Z)
• Beyond the Academic Monoculture: A Unified Framework and Industrial Perspective for Attributed Graph Clustering [75.50670592447219]
  分散グラフクラスタリング(AGC)は、構造トポロジとノード属性を共同でモデル化することによって、ノードを凝集性グループに分割する基本的な教師なしタスクである。 この調査は、3つの相補的な視点からAGCを包括的かつ工業的に基礎づけたレビューを提供する。
  論文  参考訳（メタデータ） (2026-03-21T14:15:34Z)
• UniG2U-Bench: Do Unified Models Advance Multimodal Understanding? [50.92401586025528]
  統一マルチモーダルモデルは、最近強力な生成能力を示したが、生成が理解を改善したかどうかはまだ不明である。 提案するUniG2U-Benchは,G2U(Generation-to-understanding)評価を7つのシステマと30のサブタスクに分類する総合ベンチマークである。
  論文  参考訳（メタデータ） (2026-03-03T18:36:16Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• AdaptPrompt: Parameter-Efficient Adaptation of VLMs for Generalizable Deepfake Detection [7.76090543025328]
  画像生成の最近の進歩により、高度にリアルな合成メディアが普及し、信頼性の高いディープフェイク検出の難しさが高まっている。 重要な課題は一般化であり、限られた種類の発電機で訓練された検出器は、目に見えないモデルに直面すると失敗することが多い。 本稿では,大規模視覚言語モデル(特にCLIP)を活用して,多様な生成技術にまたがる合成内容の同定を行うことにより,一般化可能な検出の必要性に対処する。
  論文  参考訳（メタデータ） (2025-12-19T16:06:03Z)
• Scaling Up AI-Generated Image Detection via Generator-Aware Prototypes [15.99138549265524]
  GAPL(Generator-Aware Prototype Learning)は、構造化学習パラダイムで表現を制約するフレームワークである。 GAPLは最先端の性能を達成し、多様なGANおよび拡散型ジェネレータにおいて優れた検出精度を示す。
  論文  参考訳（メタデータ） (2025-12-15T04:58:08Z)
• OmniAID: Decoupling Semantic and Artifacts for Universal AI-Generated Image Detection in the Wild [40.585896860010656]
  普遍的なAI生成画像検出器は、多様な生成モデルと多様なセマンティックコンテンツを同時に一般化する必要がある。 分離されたMixture-of-Expertsアーキテクチャを中心とした新しいフレームワークであるOmniAIDを提案する。 当社のモデルは既存のモノリシック検出器を超越し、最新の非破壊的脅威に対するAIGI認証の新しい堅牢な標準を確立します。
  論文  参考訳（メタデータ） (2025-11-11T16:33:49Z)
• Breaking Latent Prior Bias in Detectors for Generalizable AIGC Image Detection [11.907536189598577]
  現在のAIGC検出器は、トレーニングに使用される同じジェネレータで生成された画像に対してほぼ完璧な精度を達成するが、目に見えないジェネレータからの出力に一般化するのに苦労する。 検出器は、堅牢な生成アーティファクトを学ぶのではなく、初期ノイズベクトルから発生するパターンに関連するショートカットを学習する。 そこで我々は, 発電機の出力多様体に残る逆数例を生成するオン・マニフォールド・逆数訓練(OMAT)を提案する。
  論文  参考訳（メタデータ） (2025-06-01T07:20:45Z)
• Generative Classifier for Domain Generalization [84.92088101715116]
  ドメインの一般化は、分散シフトに対するコンピュータビジョンモデルの一般化性を目的としている。 生成駆動型ドメイン一般化(GCDG)を提案する。 GCDGは3つの重要なモジュールから構成される: 異種性学習(HLC)、純粋相関(SCB)、横成分バランス(DCB)。
  論文  参考訳（メタデータ） (2025-04-03T04:38:33Z)
• Towards Generalizable Forgery Detection and Reasoning [23.858913560970866]
  We formulate detection and explanation as a unified forgery Detection and Reasoning task (FDR-Task) マルチモーダル・フォージェリー推論データセット (MMFR-Dataset) は10つの生成モデルにわたる120K画像を含む大規模データセットであり, フォージェリー属性には378Kの推論アノテーションがある。 複数の生成モデルに対する実験により、FakeReasoningは堅牢な一般化を実現し、検出タスクと推論タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-27T06:54:06Z)
• 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)
• Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
  画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。 本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。 本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-13T18:05:36Z)

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。