論文の概要: Exploration of Reproducible Generated Image Detection

• arxiv url: http://arxiv.org/abs/2512.21562v1
• Date: Thu, 25 Dec 2025 08:16:41 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 11:55:44.826355
• Title: Exploration of Reproducible Generated Image Detection
• Title（参考訳）: 再生可能画像検出の探索
• Authors: Yihang Duan,
• Abstract要約: 本稿では,AIGC検出,軽量なテストデータセットの構築,代表検出手法の再現に関する7つの重要な論文を再検討する。 フィールドにおけるジレンマの根本原因を同定する。 ほとんどのdetec tion法は、AIGC画像の普遍的な固有の特徴を学ぶのではなく、特定のジェネレータの排他的特徴に適合する。
• 参考スコア（独自算出の注目度）: 0.7696140062734741
• License:
• Abstract: While the technology for detecting AI-Generated Content (AIGC) images has advanced rapidly, the field still faces two core issues: poor reproducibility and insufficient gen eralizability, which hinder the practical application of such technologies. This study addresses these challenges by re viewing 7 key papers on AIGC detection, constructing a lightweight test dataset, and reproducing a representative detection method. Through this process, we identify the root causes of the reproducibility dilemma in the field: firstly, papers often omit implicit details such as prepro cessing steps and parameter settings; secondly, most detec tion methods overfit to exclusive features of specific gener ators rather than learning universal intrinsic features of AIGC images. Experimental results show that basic perfor mance can be reproduced when strictly following the core procedures described in the original papers. However, de tection performance drops sharply when preprocessing dis rupts key features or when testing across different genera tors. This research provides empirical evidence for improv ing the reproducibility of AIGC detection technologies and offers reference directions for researchers to disclose ex perimental details more comprehensively and verify the generalizability of their proposed methods.
• Abstract（参考訳）: AIGC(AI-Generated Content)画像を検出する技術は急速に進歩しているが、この分野ではまだ再現性不足と遺伝子消去性の不足という2つの問題に直面している。 本研究は,AIGC検出に関する7つの重要な論文を再確認し,軽量なテストデータセットを構築し,代表検出手法を再現することによって,これらの課題に対処する。 このプロセスを通じて、再現性ジレンマの根本原因を同定する。まず、論文は、ステップやパラメータ設定などの暗黙的な詳細を省略することが多く、第二に、AIGC画像の普遍的な固有の特徴を学ぶのではなく、特定のジェネレータの排他的特徴に過度に適合する。 実験結果から,本論文のコア手順に厳格に従えば,根治術を再現できることが示唆された。 しかし、デテクション性能は、前処理が重要な特徴を破壊したり、異なる属のトーラをまたいでテストする場合に急激に低下する。 本研究は,AIGC検出技術の再現性を即興的に証明する実証的証拠を提供し,より包括的に外周的詳細を開示し,提案手法の一般化性を検証するための基準方向を提供する。

関連論文リスト

• Beyond Semantic Features: Pixel-level Mapping for Generalized AI-Generated Image Detection [30.53429368921365]
  現在の検出器の限界は、目に見えない生成モデルからの画像に一般化できないことである。 本稿では,画像の画素値分布を乱すための,単純かつ極めて効果的な画素レベルのマッピング前処理手順を提案する。 本手法は, 最先端検出器のクロスジェネレータ性能を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2025-12-19T08:47:09Z)
• HKRAG: Holistic Knowledge Retrieval-Augmented Generation Over Visually-Rich Documents [18.42875699937102]
  本稿では,HKRAGを提案する。HKRAGは2つの知識タイプを明示的にキャプチャし,統合するために設計された,新しい総合的なRAGフレームワークである。 本フレームワークは,(1)有意な知識と細書知識を個別にモデル化し,クエリ関連情報検索を確保するための明示的なマスキング戦略を利用するハイブリッドマスキング型ホロスティック検索,(2)初期回答の不確かさを動的に評価し,最適な応答生成のために2つの異なる知識ストリームを統合する方法を積極的に決定する不確実性誘導エージェント生成の2つの重要なコンポーネントを特徴とする。
  論文  参考訳（メタデータ） (2025-11-25T11:59:52Z)
• Executable Knowledge Graphs for Replicating AI Research [65.41207324831583]
  Executable Knowledge Graphs (xKG) は、科学文献から抽出された技術的洞察、コードスニペット、ドメイン固有の知識を自動的に統合するモジュラーでプラグイン可能な知識基盤である。 コードはhttps://github.com/zjunlp/xKGでリリースされる。
  論文  参考訳（メタデータ） (2025-10-20T17:53:23Z)
• Enhancing Retrieval Augmentation via Adversarial Collaboration [50.117273835877334]
  我々は「検索幻覚」に対処するため、Adrial Collaboration RAG(AC-RAG)フレームワークを提案する。 AC-RAGは、知識ギャップを識別するジェネリスト検出器と、正確な解決策を提供するドメイン特化リゾルバという2つの異種エージェントを使用している。 実験により、AC-RAGは検索精度を大幅に向上し、様々な垂直領域における最先端RAG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） (2025-09-18T08:54:20Z)
• Methods and Trends in Detecting AI-Generated Images: A Comprehensive Review [0.17188280334580194]
  GAN(Generative Adversarial Networks)、拡散モデル(Diffusion Models)、変分オートエンコーダ(VAEs)は、高品質なマルチメディアデータの合成を可能にしている。 これらの進歩は、敵の攻撃、非倫理的使用、社会的な危害に関する重大な懸念を引き起こした。 このサーベイは、先進的な生成AIモデルによって生成された合成画像の検出と分類のための最先端技術に関する包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2025-02-21T03:16:18Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
  高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。 我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
  論文  参考訳（メタデータ） (2024-07-26T20:51:54Z)
• Attention Consistency Refined Masked Frequency Forgery Representation for Generalizing Face Forgery Detection [96.539862328788]
  既存の偽造検出方法は、未確認領域の真正性を決定する不満足な一般化能力に悩まされている。 ACMF(Attention Consistency Refined masked frequency forgery representation model)を提案する。 いくつかのパブリックフェイスフォージェリーデータセットの実験結果から,提案手法の性能は最先端の手法と比較して優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-21T08:58:49Z)
• On the Possibilities of AI-Generated Text Detection [76.55825911221434]
  機械が生成するテキストが人間に近い品質を近似するにつれて、検出に必要なサンプルサイズが増大すると主張している。 GPT-2, GPT-3.5-Turbo, Llama, Llama-2-13B-Chat-HF, Llama-2-70B-Chat-HFなどの最先端テキストジェネレータをoBERTa-Large/Base-Detector, GPTZeroなどの検出器に対して試験した。
  論文  参考訳（メタデータ） (2023-04-10T17:47:39Z)
• SeeABLE: Soft Discrepancies and Bounded Contrastive Learning for Exposing Deepfakes [7.553507857251396]
  本研究では,検出問題を(一級)アウト・オブ・ディストリビューション検出タスクとして形式化する,SeeABLEと呼ばれる新しいディープフェイク検出器を提案する。 SeeABLEは、新しい回帰ベースの有界コントラスト損失を使用して、乱れた顔を事前定義されたプロトタイプにプッシュする。 我々のモデルは競合する最先端の検出器よりも高い性能を示しながら、高度に一般化能力を示す。
  論文  参考訳（メタデータ） (2022-11-21T09:38:30Z)

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。