論文の概要: Beyond Artifacts: Real-Centric Envelope Modeling for Reliable AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2512.20937v1
• Date: Wed, 24 Dec 2025 04:41:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.678965
• Title: Beyond Artifacts: Real-Centric Envelope Modeling for Reliable AI-Generated Image Detection
• Title（参考訳）: 人工物を超えて:信頼性の高いAI生成画像検出のためのリアルタイムエンベロープモデリング
• Authors: Ruiqi Liu, Yi Han, Zhengbo Zhang, Liwei Yao, Zhiyuan Yan, Jialiang Shen, ZhiJin Chen, Boyi Sun, Lubin Weng, Jing Dong, Yan Wang, Shu Wu,
• Abstract要約: 既存の検出器は、しばしば発電機固有のアーティファクトに過度に適合し、現実世界の劣化に敏感である。 実画像のロバストな分布をモデル化する手法として,Real-centric Envelope Modeling (REM)を提案する。 REMは最先端の手法よりも平均7.5%向上し、特に高度に劣化したRealChainベンチマークにおける例外的な一般化を維持している。
• 参考スコア（独自算出の注目度）: 29.26836532055224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid progress of generative models has intensified the need for reliable and robust detection under real-world conditions. However, existing detectors often overfit to generator-specific artifacts and remain highly sensitive to real-world degradations. As generative architectures evolve and images undergo multi-round cross-platform sharing and post-processing (chain degradations), these artifact cues become obsolete and harder to detect. To address this, we propose Real-centric Envelope Modeling (REM), a new paradigm that shifts detection from learning generator artifacts to modeling the robust distribution of real images. REM introduces feature-level perturbations in self-reconstruction to generate near-real samples, and employs an envelope estimator with cross-domain consistency to learn a boundary enclosing the real image manifold. We further build RealChain, a comprehensive benchmark covering both open-source and commercial generators with simulated real-world degradation. Across eight benchmark evaluations, REM achieves an average improvement of 7.5% over state-of-the-art methods, and notably maintains exceptional generalization on the severely degraded RealChain benchmark, establishing a solid foundation for synthetic image detection under real-world conditions. The code and the RealChain benchmark will be made publicly available upon acceptance of the paper.
• Abstract（参考訳）: 生成モデルの急速な進歩により、実環境下での信頼性と堅牢な検出の必要性が高まっている。 しかし、既存の検出器は、しばしば発電機固有のアーティファクトに過度に適合し、現実世界の劣化に対して非常に敏感である。 生成アーキテクチャが進化し、マルチラウンドのクロスプラットフォーム共有と後処理(チェーン劣化)のイメージによって、これらのアーティファクトは時代遅れになり、検出が困難になる。 そこで本研究では,実画像のロバストな分布をモデル化する手法であるReal-centric Envelope Modeling (REM)を提案する。 REMは自己再構成における特徴レベルの摂動を導入し、準実サンプルを生成し、ドメイン間の整合性を持つエンベロープ推定器を用いて、実像多様体を囲む境界を学習する。 オープンソースと商用両方のジェネレータをカバーする包括的なベンチマークであるRealChainをさらに構築し、実世界の劣化をシミュレートした。 8つのベンチマーク評価で、REMは最先端の手法よりも平均7.5%の改善を実現し、特に高度に劣化したRealChainベンチマークにおける例外的な一般化を維持し、現実世界の条件下での合成画像検出の基盤を確立している。 コードとRealChainベンチマークは、論文の受理時に公開される。

関連論文リスト

• Revisiting Reconstruction-based AI-generated Image Detection: A Geometric Perspective [50.83711509908479]
  幾何学的観点からの再構成誤差に対するヤコビアンスペクトル下界の導入について述べる。 再構成多様体上の実画像は非自明な誤差下界を示し、多様体上の生成された画像はゼロに近い誤差を持つことを示す。 本稿では,構造化編集操作を活用することで動的再構成誤差を計算できるReGapを提案する。
  論文  参考訳（メタデータ） (2025-10-29T03:45:03Z)
• OpenFake: An Open Dataset and Platform Toward Real-World Deepfake Detection [6.949215801100937]
  高度なAI技術を使った合成メディアであるDeepfakesは、情報完全性に対する脅威が増大している。 提案するOpenFakeは,高リアリズムを持つ現代的な生成モデルに対してベンチマークを行うためのデータセットである。 OpenFakeでトレーニングされた検出器は、ほぼ完全な分散性能、目に見えないジェネレータへの強力な一般化、および編集済みのソーシャルメディアテストセットでの高精度を実現する。
  論文  参考訳（メタデータ） (2025-09-11T14:34:22Z)
• Edge-Enhanced Vision Transformer Framework for Accurate AI-Generated Image Detection [0.0]
  本稿では,視覚変換器(ViT)と新たなエッジベース画像処理モジュールを組み合わせたハイブリッド検出フレームワークを提案する。 提案手法は,自動コンテンツ検証とデジタル法医学における実世界の応用に非常に適している。
  論文  参考訳（メタデータ） (2025-08-25T10:30:56Z)
• So-Fake: Benchmarking and Explaining Social Media Image Forgery Detection [75.79507634008631]
  So-Fake-Setは、200万以上の高品質な画像、多様な生成源、35の最先端生成モデルを用いて合成された画像を備えたソーシャルメディア指向のデータセットである。 本稿では,高精度な偽造検出,高精度な位置推定,解釈可能な視覚論理による説明可能な推論に強化学習を利用する高度な視覚言語フレームワークであるSo-Fake-R1を提案する。
  論文  参考訳（メタデータ） (2025-05-24T11:53:35Z)
• Is Artificial Intelligence Generated Image Detection a Solved Problem? [16.9828631287303]
  AIGIBenchは、最先端AIGI検出器の堅牢性と一般化能力を厳格に評価するために設計されたベンチマークである。 マルチソースの一般化、画像劣化に対する堅牢性、データ拡張に対する敏感性、テスト時間前処理の影響の4つのコアタスクを通じて、現実世界の課題をシミュレートする。 ソーシャルメディアやAIアートプラットフォームから収集された実世界のサンプルとともに、高度な画像生成技術と広く採用されている画像生成技術の両方にまたがる、23の多様なフェイクイメージサブセットが含まれている。
  論文  参考訳（メタデータ） (2025-05-18T10:00:39Z)
• HRR: Hierarchical Retrospection Refinement for Generated Image Detection [16.958383381415445]
  階層的レトロスペクティブ再定義(HRR)と呼ばれる拡散モデルに基づく生成画像検出フレームワークを提案する。 HRRフレームワークは、生成した画像検出タスクにおいて、最先端のメソッドよりも優れたパフォーマンスを継続的に提供する。
  論文  参考訳（メタデータ） (2025-02-25T05:13:44Z)
• RealRAG: Retrieval-augmented Realistic Image Generation via Self-reflective Contrastive Learning [54.07026389388881]
  第1回リアルタイムオブジェクトベース検索拡張生成フレームワーク(RealRAG)を提案する。 RealRAGは、生成モデルの知識ギャップを克服するために、現実世界の画像の学習と検索によって、細粒で目に見えない新しいオブジェクトを生成する。 本フレームワークは, 生成モデルに対するきめ細かな視覚的知識を統合し, 歪み問題に対処し, オブジェクト生成における現実性を改善する。
  論文  参考訳（メタデータ） (2025-02-02T16:41:54Z)
• 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)

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。