論文の概要: R$^2$BD: A Reconstruction-Based Method for Generalizable and Efficient Detection of Fake Images

• arxiv url: http://arxiv.org/abs/2601.08867v1
• Date: Sun, 11 Jan 2026 02:31:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.103727
• Title: R$^2$BD: A Reconstruction-Based Method for Generalizable and Efficient Detection of Fake Images
• Title（参考訳）: R$^2$BD:偽画像の一般化と効率的な検出のための再構成法
• Authors: Qingyu Liu, Zhongjie Ba, Jianmin Guo, Qiu Wang, Zhibo Wang, Jie Shi, Kui Ren,
• Abstract要約: 本稿では,2つの鍵設計上に構築された新しい偽画像検出フレームワークR$2$BDを提案する。 10の公開データセットによるベンチマーク実験では、R$2$BDが既存の再構築ベースの手法よりも22$Times$速いことが示されている。 クロスデータセット評価では、最先端の手法を平均13.87%上回る。
• 参考スコア（独自算出の注目度）: 31.9904761238593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, reconstruction-based methods have gained attention for AIGC image detection. These methods leverage pre-trained diffusion models to reconstruct inputs and measure residuals for distinguishing real from fake images. Their key advantage lies in reducing reliance on dataset-specific artifacts and improving generalization under distribution shifts. However, they are limited by significant inefficiency due to multi-step inversion and reconstruction, and their reliance on diffusion backbones further limits generalization to other generative paradigms such as GANs. In this paper, we propose a novel fake image detection framework, called R$^2$BD, built upon two key designs: (1) G-LDM, a unified reconstruction model that simulates the generation behaviors of VAEs, GANs, and diffusion models, thereby broadening the detection scope beyond prior diffusion-only approaches; and (2) a residual bias calculation module that distinguishes real and fake images in a single inference step, which is a significant efficiency improvement over existing methods that typically require 20$+$ steps. Extensive experiments on the benchmark from 10 public datasets demonstrate that R$^2$BD is over 22$\times$ faster than existing reconstruction-based methods while achieving superior detection accuracy. In cross-dataset evaluations, it outperforms state-of-the-art methods by an average of 13.87\%, showing strong efficiency and generalization across diverse generative methods. The code and dataset used for evaluation are available at https://github.com/QingyuLiu/RRBD.
• Abstract（参考訳）: 近年,AIGC画像検出のための再構成手法が注目されている。 これらの手法は、事前学習された拡散モデルを利用して入力を再構成し、実像と偽像を区別するための残差を測定する。 その主な利点は、データセット固有のアーティファクトへの依存を減らし、分散シフトによる一般化を改善することである。 しかし、多段階の逆転と再構成による大きな非効率性によって制限されており、拡散バックボーンへの依存は、GANのような他の生成パラダイムへの一般化をさらに制限している。 本稿では,(1) VAE, GAN, 拡散モデルの生成挙動をシミュレートする統一再構成モデルであるG-LDMと,(2) 1つの推論ステップで実画像と偽画像を識別する残差バイアス計算モジュールの2つの主要な設計に基づいて構築された,R$^2$BDと呼ばれる新しい偽画像検出フレームワークを提案する。 10の公開データセットからのベンチマーク実験により、R$^2$BDは22$\times$以上であり、検出精度は優れた。 クロスデータセット評価では、最先端の手法を平均13.87 %で上回り、様々な生成手法における高い効率性と一般化を示す。 評価に使われるコードとデータセットはhttps://github.com/QingyuLiu/RRBD.comで公開されている。

関連論文リスト

• Single-Step Reconstruction-Free Anomaly Detection and Segmentation via Diffusion Models [1.1487074612765584]
  リアルタイム(RADAR)における注意に基づく拡散モデルを用いた再構成不要な異常検出手法を提案する。 RADARは再構成に基づく異常検出の限界を克服する。 実世界の3Dプリント材料とMVTec-ADデータセット上でRADARを評価する。
  論文  参考訳（メタデータ） (2025-08-06T18:56:08Z)
• Reconstruction-Free Anomaly Detection with Diffusion Models [30.099399014193573]
  Inversion-based Anomaly Detection (AD) 手法を提案する。 元の確率フローODEを近似する際、クリーンな画像にノイズを与えるための反転ステップはごくわずかである。 付加雑音が学習拡散モデルに適応的に導出されるので、クリーンテスト画像の原特徴を引き続き利用して高い検出精度を得ることができる。
  論文  参考訳（メタデータ） (2025-04-08T04:23:43Z)
• PDA: Generalizable Detection of AI-Generated Images via Post-hoc Distribution Alignment [16.98090845687867]
  ポストホック分布アライメント(PDA)は、AI生成画像の一般化可能な検出のための新しいアプローチである。 我々の研究は、現実の偽画像検出のためのフレキシブルで効果的なソリューションを提供し、検出システムの一般化能力を向上させる。
  論文  参考訳（メタデータ） (2025-02-15T13:55:34Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• DC4L: Distribution Shift Recovery via Data-Driven Control for Deep Learning Models [4.374569172244273]
  学習したモデルに対する制御を用いて、オンライン配信のシフトから回復することを提案する。 提案手法では, 学習セットにシフトしたデータを近づけるために, セマンティック保存変換のシーケンスを適用した。 本稿では,ImageNet-Cベンチマークからのシフトの合成に一般化し,平均精度を最大9.81%向上することを示す。
  論文  参考訳（メタデータ） (2023-02-20T22:06:26Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)

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。