論文の概要: Detection of AI Generated Images Using Combined Uncertainty Measures and Particle Swarm Optimised Rejection Mechanism

• arxiv url: http://arxiv.org/abs/2512.18527v1
• Date: Sat, 20 Dec 2025 22:47:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.381243
• Title: Detection of AI Generated Images Using Combined Uncertainty Measures and Particle Swarm Optimised Rejection Mechanism
• Title（参考訳）: 不確実性対策と粒子群最適化還元機構を組み合わせたAI生成画像の検出
• Authors: Rahul Yumlembam, Biju Issac, Nauman Aslam, Eaby Kollonoor Babu, Josh Collyer, Fraser Kennedy,
• Abstract要約: 本稿では,モデルの予測を信頼するか,拒否するかを決定するために,複数の不確実性対策を利用するロバスト検出フレームワークを提案する。 我々は,3つの補完的手法に注目した。フィッシャー情報,モンテカルロ・ドロップアウトからのエントロピーに基づく不確実性,およびDeep Kernel Learningフレームワークからの予測分散である。 その結果、マルチソース不確実性融合は、AI生成画像検出のためのレジリエントで適応的なソリューションを提供することを示した。
• 参考スコア（独自算出の注目度）: 1.8718443774434668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As AI-generated images become increasingly photorealistic, distinguishing them from natural images poses a growing challenge. This paper presents a robust detection framework that leverages multiple uncertainty measures to decide whether to trust or reject a model's predictions. We focus on three complementary techniques: Fisher Information, which captures the sensitivity of model parameters to input variations; entropy-based uncertainty from Monte Carlo Dropout, which reflects predictive variability; and predictive variance from a Deep Kernel Learning framework using a Gaussian Process classifier. To integrate these diverse uncertainty signals, Particle Swarm Optimisation is used to learn optimal weightings and determine an adaptive rejection threshold. The model is trained on Stable Diffusion-generated images and evaluated on GLIDE, VQDM, Midjourney, BigGAN, and StyleGAN3, each introducing significant distribution shifts. While standard metrics such as prediction probability and Fisher-based measures perform well in distribution, their effectiveness degrades under shift. In contrast, the Combined Uncertainty measure consistently achieves an incorrect rejection rate of approximately 70 percent on unseen generators, successfully filtering most misclassified AI samples. Although the system occasionally rejects correct predictions from newer generators, this conservative behaviour is acceptable, as rejected samples can support retraining. The framework maintains high acceptance of accurate predictions for natural images and in-domain AI data. Under adversarial attacks using FGSM and PGD, the Combined Uncertainty method rejects around 61 percent of successful attacks, while GP-based uncertainty alone achieves up to 80 percent. Overall, the results demonstrate that multi-source uncertainty fusion provides a resilient and adaptive solution for AI-generated image detection.
• Abstract（参考訳）: AIが生成する画像がますますフォトリアリスティックになるにつれて、それらを自然画像と区別することは、ますます難しい課題となっている。 本稿では,モデルの予測を信頼するか,拒否するかを決定するために,複数の不確実性対策を利用するロバスト検出フレームワークを提案する。 入力変動に対するモデルパラメータの感度をキャプチャするFisher Information,予測変数を反映したモンテカルロ・ドロップアウトからのエントロピーに基づく不確実性,ガウス過程分類器を用いたDeep Kernel Learningフレームワークからの予測分散,の3つの相補的手法に注目した。 これらの多様な不確実性信号を統合するために、Particle Swarm Optimisationは最適な重み付けを学習し、適応的拒絶閾値を決定するために使用される。 このモデルは安定拡散生成画像に基づいて訓練され、GLIDE、VQDM、Midjourney、BigGAN、StyleGAN3で評価される。 予測確率やフィッシャーに基づく測定のような標準的な指標は分布において良好に機能するが、その効果はシフトの下で低下する。 対照的に、コンバインド不確実性尺度は、見当たらないジェネレータで約70%の不正な拒絶率を一貫して達成し、最も誤分類されたAIサンプルのフィルタリングに成功している。 システムは時折新しい発電機からの正確な予測を拒絶するが、この保守的な行動は許容される。 このフレームワークは、自然な画像とドメイン内のAIデータに対する正確な予測を高く受け入れている。 FGSMとPGDを用いた敵攻撃では、Combined Uncertainty法は攻撃の成功の約61%を拒絶し、GPベースの不確実性は最大80%に達する。 全体として、マルチソース不確実性融合は、AI生成画像検出のためのレジリエントで適応的なソリューションを提供することを示した。

関連論文リスト

• RF-BayesPhysNet: A Bayesian rPPG Uncertainty Estimation Method for Complex Scenarios [5.349703489635052]
  リモート光合成技術は、カメラを用いて顔の皮膚の微妙な色変化を捉え、心拍数を推定する。 測定精度は複雑なシナリオで著しく低下します ディープラーニングモデルは、しばしば測定の不確実性を無視し、ダイナミックなシーンにおける信頼性を制限する。
  論文  参考訳（メタデータ） (2025-04-04T20:24:57Z)
• 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)
• Robustness via Uncertainty-aware Cycle Consistency [44.34422859532988]
  非ペア画像-画像間の変換とは、対応する画像対を使わずに画像間マッピングを学習することを指す。 既存の手法は、外乱や予測の不確実性にロバスト性を明示的にモデル化することなく決定論的マッピングを学習する。 不確実性を考慮した一般化適応サイクル一貫性(UGAC)に基づく新しい確率的手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T15:33:21Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Uncertainty-aware Generalized Adaptive CycleGAN [44.34422859532988]
  unpaired image-to-image translationは、教師なしの方法で画像ドメイン間のマッピングを学ぶことを指す。 既存の手法はしばしば、外れ値への堅牢性や予測不確実性を明示的にモデル化せずに決定論的マッピングを学習する。 Uncertainty-aware Generalized Adaptive Cycle Consistency (UGAC) という新しい確率論的手法を提案する。
  論文  参考訳（メタデータ） (2021-02-23T15:22:35Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• 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。