論文の概要: CausalCLIP: Causally-Informed Feature Disentanglement and Filtering for Generalizable Detection of Generated Images

• arxiv url: http://arxiv.org/abs/2512.13285v1
• Date: Mon, 15 Dec 2025 12:48:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.664086
• Title: CausalCLIP: Causally-Informed Feature Disentanglement and Filtering for Generalizable Detection of Generated Images
• Title（参考訳）: CausalCLIP:生成画像の一般化可能な検出のための因果的インフォームド特徴分散とフィルタリング
• Authors: Bo Liu, Qiao Qin, Qinghui He,
• Abstract要約: CausalCLIPは、因果的特徴から因果的特徴を明示的に切り離すフレームワークであり、因果的推論原理によって導かれるターゲットフィルタリングを採用している。 異なる系列の未確認生成モデルでテストすると、CausalCLIPは強い一般化能力を示し、精度は6.83%、最先端法の平均精度は4.06%向上した。
• 参考スコア（独自算出の注目度）: 3.281374657433808
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid advancement of generative models has increased the demand for generated image detectors capable of generalizing across diverse and evolving generation techniques. However, existing methods, including those leveraging pre-trained vision-language models, often produce highly entangled representations, mixing task-relevant forensic cues (causal features) with spurious or irrelevant patterns (non-causal features), thus limiting generalization. To address this issue, we propose CausalCLIP, a framework that explicitly disentangles causal from non-causal features and employs targeted filtering guided by causal inference principles to retain only the most transferable and discriminative forensic cues. By modeling the generation process with a structural causal model and enforcing statistical independence through Gumbel-Softmax-based feature masking and Hilbert-Schmidt Independence Criterion (HSIC) constraints, CausalCLIP isolates stable causal features robust to distribution shifts. When tested on unseen generative models from different series, CausalCLIP demonstrates strong generalization ability, achieving improvements of 6.83% in accuracy and 4.06% in average precision over state-of-the-art methods.
• Abstract（参考訳）: 生成モデルの急速な進歩により、多種多様な進化する生成技術にまたがる一般化が可能な生成画像検出器の需要が高まっている。 しかし、事前学習された視覚言語モデルを利用するような既存の手法は、しばしば高度に絡み合った表現を生成し、タスク関連法医学的手がかり(因果的特徴)と素因的または無関係なパターン(非因果的特徴)を混合し、一般化を制限する。 この問題に対処するために,因果関係を非因果関係から明確に切り離すフレームワークであるCausalCLIPを提案する。 生成過程を構造因果モデルでモデル化し、Gumbel-Softmaxベースの特徴マスキングとHilbert-Schmidt Independence Criterion(HSIC)制約を通じて統計的独立を強制することにより、CausalCLIPは分布シフトに頑健な安定した因果特性を分離する。 異なる系列の未確認生成モデルでテストすると、CausalCLIPは強い一般化能力を示し、精度は6.83%、最先端法の平均精度は4.06%向上した。

関連論文リスト

• Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation [61.248535801314375]
  Subset-Selected Counterfactual Augmentation (SS-CA) 我々は,モデル予測を選択的に変更可能な最小空間領域集合を識別するために,対実的LIMAを開発した。 実験により,SS-CAは分布内テストデータ(ID)の一般化を改善し,分布外ベンチマーク(OOD)において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-11-15T08:39:22Z)
• An AI-powered Bayesian generative modeling approach for causal inference in observational studies [4.4876925770439415]
  CausalBGMはAIを利用したベイズ生成モデリングアプローチである。 低次元潜在特徴集合の個別分布を学習することにより、個別処理効果(ITE)を推定する。
  論文  参考訳（メタデータ） (2025-01-01T06:52:45Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Effective Bayesian Causal Inference via Structural Marginalisation and Autoregressive Orders [16.682775063684907]
  すべての因果モデルに対する因果推論における不確実性の利用について検討する。 構造的辺化を (i) 因果順序上の辺化と (ii) 順序を与えられた非巡回グラフ (DAG) に分解する。 本手法は, 擬似非線形付加雑音ベンチマークにおいて, 構造学習における最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-02-22T18:39:24Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)

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。