論文の概要: Scaling Up AI-Generated Image Detection via Generator-Aware Prototypes

• arxiv url: http://arxiv.org/abs/2512.12982v1
• Date: Mon, 15 Dec 2025 04:58:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.538946
• Title: Scaling Up AI-Generated Image Detection via Generator-Aware Prototypes
• Title（参考訳）: ジェネレータ対応プロトタイプによるAI生成画像のスケールアップ
• Authors: Ziheng Qin, Yuheng Ji, Renshuai Tao, Yuxuan Tian, Yuyang Liu, Yipu Wang, Xiaolong Zheng,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.99138549265524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The pursuit of a universal AI-generated image (AIGI) detector often relies on aggregating data from numerous generators to improve generalization. However, this paper identifies a paradoxical phenomenon we term the Benefit then Conflict dilemma, where detector performance stagnates and eventually degrades as source diversity expands. Our systematic analysis, diagnoses this failure by identifying two core issues: severe data-level heterogeneity, which causes the feature distributions of real and synthetic images to increasingly overlap, and a critical model-level bottleneck from fixed, pretrained encoders that cannot adapt to the rising complexity. To address these challenges, we propose Generator-Aware Prototype Learning (GAPL), a framework that constrain representation with a structured learning paradigm. GAPL learns a compact set of canonical forgery prototypes to create a unified, low-variance feature space, effectively countering data heterogeneity.To resolve the model bottleneck, it employs a two-stage training scheme with Low-Rank Adaptation, enhancing its discriminative power while preserving valuable pretrained knowledge. This approach establishes a more robust and generalizable decision boundary. Through extensive experiments, we demonstrate that GAPL achieves state-of-the-art performance, showing superior detection accuracy across a wide variety of GAN and diffusion-based generators. Code is available at https://github.com/UltraCapture/GAPL
• Abstract（参考訳）: ユニバーサルAI生成画像(AIGI)検出器の追求は、一般化を改善するために、多くのジェネレータからのデータを集約することに依存することが多い。 しかし,本論文では,源の多様性が拡大するにつれて,検出器の性能が停滞し,最終的に劣化する「ベネフィット・アンド・コンフリクト・ジレンマ」というパラドックス現象を明らかにした。 我々の体系的分析では、重大なデータレベルの不均一性、実際の画像と合成画像の特徴分布の重なりが増す原因、および、増大する複雑さに適応できない固定された事前訓練エンコーダによる重要なモデルレベルのボトルネックの2つを識別することで、この障害を診断する。 これらの課題に対処するため,構造化学習パラダイムで表現を制約するGAPL(Generator-Aware Prototype Learning)を提案する。 GAPLは、統一された低分散特徴空間を創出し、データ不均一性を効果的に克服するために、コンパクトな標準フォージェリープロトタイプを学習し、モデルボトルネックを解決するために、Low-Rank Adaptationを用いた2段階のトレーニングスキームを採用し、価値ある事前学習知識を維持しながら識別力を高める。 このアプローチはより堅牢で一般化可能な決定境界を確立する。 本研究では,GAPLが最先端性能を実現し,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ことを示す。 コードはhttps://github.com/UltraCapture/GAPLで入手できる。

関連論文リスト

• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• Beyond Frequency: Scoring-Driven Debiasing for Object Detection via Blueprint-Prompted Image Synthesis [97.37770785712475]
  オブジェクト検出のための世代ベースデバイアスフレームワークを提案する。 提案手法は,未表現オブジェクト群の性能ギャップを著しく狭める。
  論文  参考訳（メタデータ） (2025-10-21T02:19:12Z)
• $\bf{D^3}$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)
• 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)
• 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)
• GE-AdvGAN: Improving the transferability of adversarial samples by gradient editing-based adversarial generative model [69.71629949747884]
  GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。 本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-11T16:43:16Z)
• The Deep Generative Decoder: MAP estimation of representations improves modeling of single-cell RNA data [0.0]
  モデルパラメータと表現を直接最大後部推定(MAP)により計算する単純な生成モデルを提案する。 このアプローチの利点は、その単純さと、同等のVAEよりもはるかに小さな次元の表現を提供する能力である。
  論文  参考訳（メタデータ） (2021-10-13T12:17:46Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。