論文の概要: Self-Supervised AI-Generated Image Detection: A Camera Metadata Perspective
- arxiv url: http://arxiv.org/abs/2512.05651v1
- Date: Fri, 05 Dec 2025 11:53:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-13 22:40:57.010547
- Title: Self-Supervised AI-Generated Image Detection: A Camera Metadata Perspective
- Title（参考訳）: 自己監視型AI生成画像検出:カメラメタデータの展望
- Authors: Nan Zhong, Mian Zou, Yiran Xu, Zhenxing Qian, Xinpeng Zhang, Baoyuan Wu, Kede Ma,
- Abstract要約: カメラメタデータを利用したAI生成画像検出のための自己教師型アプローチを提案する。
分類型EXIFタグを分類することにより,撮影画像のみに特徴抽出器を訓練する。
我々の検出器は、電界中のサンプルに対して強力な一般化と、一般的な良性イメージの摂動に対する堅牢性を提供する。
- 参考スコア（独自算出の注目度）: 80.10217707456046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The proliferation of AI-generated imagery poses escalating challenges for multimedia forensics, yet many existing detectors depend on assumptions about the internals of specific generative models, limiting their cross-model applicability. We introduce a self-supervised approach for detecting AI-generated images that leverages camera metadata -- specifically exchangeable image file format (EXIF) tags -- to learn features intrinsic to digital photography. Our pretext task trains a feature extractor solely on camera-captured photographs by classifying categorical EXIF tags (\eg, camera model and scene type) and pairwise-ranking ordinal and continuous EXIF tags (\eg, focal length and aperture value). Using these EXIF-induced features, we first perform one-class detection by modeling the distribution of photographic images with a Gaussian mixture model and flagging low-likelihood samples as AI-generated. We then extend to binary detection that treats the learned extractor as a strong regularizer for a classifier of the same architecture, operating on high-frequency residuals from spatially scrambled patches. Extensive experiments across various generative models demonstrate that our EXIF-induced detectors substantially advance the state of the art, delivering strong generalization to in-the-wild samples and robustness to common benign image perturbations.
- Abstract（参考訳）: AI生成画像の拡散はマルチメディア法医学の課題をエスカレートさせるが、多くの既存の検出器は特定の生成モデルの内部に関する仮定に依存し、それらのクロスモデル適用性を制限する。
我々は、デジタル写真に固有の特徴を学ぶために、カメラメタデータ(特に交換可能な画像ファイルフォーマット(EXIF)タグ)を活用する、AI生成画像を検出するための自己教師型アプローチを導入する。
プレテキストタスクは、カテゴリのEXIFタグ(グレッグ、カメラモデル、シーンタイプ)とペアの順序と連続のEXIFタグ(グレッグ、焦点長、開口値)を分類することで、カメラキャプチャー写真のみに特徴抽出器を訓練する。
これらのEXIFにより誘導される特徴を用いて、まず、ガウス混合モデルを用いて写真画像の分布をモデル化し、低線量サンプルをAI生成としてフラグ付けすることで、一級検出を行う。
次に、学習した抽出器を同じアーキテクチャの分類器の強力な正則化器として扱い、空間的にスクランブルされたパッチからの高周波残差を演算するバイナリ検出に拡張する。
様々な生成モデルにまたがる広範囲な実験により、EXIFによって誘導される検出器は、最先端の状態を著しく前進させ、電球内サンプルへの強力な一般化と、一般的な良性イメージの摂動に対する堅牢性をもたらすことが示されている。
関連論文リスト
- $\bf{D^3}$QE: Learning Discrete Distribution Discrepancy-aware Quantization Error for Autoregressive-Generated Image Detection [85.9202830503973]
視覚的自己回帰(AR)モデルは、離散トークン予測を通じて画像を生成する。
本稿では,離散分布離散性を考慮した量子化誤差(D$3$QE)を自己回帰画像検出に活用することを提案する。
論文 参考訳（メタデータ） (2025-10-07T13:02:27Z) - Bi-Level Optimization for Self-Supervised AI-Generated Face Detection [56.57881725223548]
両レベル最適化に基づくAI生成顔検出器の自己教師方式を提案する。
我々の検出器は、一級・二級の分類設定において、既存のアプローチよりも大幅に優れています。
論文 参考訳（メタデータ） (2025-07-30T16:38:29Z) - Generalizable AI-Generated Image Detection Based on Fractal Self-Similarity in the Spectrum [38.302088844940556]
スペクトルのフラクタル自己相似性に基づく新しい検出法を提案する。
本稿では,AI生成画像が周期的拡張と低域通過フィルタリングによってフラクタル様のスペクトル成長を示すことを示す。
提案手法は, 異なる発電機間で異なるスペクトル特性の影響を緩和し, 未知モデルからの画像の検出性能を向上させる。
論文 参考訳（メタデータ） (2025-03-11T14:37:06Z) - Few-Shot Learner Generalizes Across AI-Generated Image Detection [14.069833211684715]
フーショット検出器(Few-Shot Detector, FSD)は、未知の偽画像を効果的に識別するための特殊な距離空間を学習するAI生成画像検出器である。
実験の結果、FSDはGenImageデータセットの平均精度をわずか10ドルの追加サンプルで+11.6%以上向上した。
論文 参考訳（メタデータ） (2025-01-15T12:33:11Z) - 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) - 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)
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。