論文の概要: S^2F-Net:A Robust Spatial-Spectral Fusion Framework for Cross-Model AIGC Detection

• arxiv url: http://arxiv.org/abs/2601.12313v1
• Date: Sun, 18 Jan 2026 08:43:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.569296
• Title: S^2F-Net:A Robust Spatial-Spectral Fusion Framework for Cross-Model AIGC Detection
• Title（参考訳）: S^2F-Net:クロスモデルAIGC検出のためのロバスト空間スペクトル融合フレームワーク
• Authors: Xiangyu Hu, Yicheng Hong, Hongchuang Zheng, Wenjun Zeng, Bingyao Liu,
• Abstract要約: 本稿では,S2 F-Netと呼ばれるクロスモデル検出フレームワークを提案する。 その核心は、実際のテクスチャと合成テクスチャのスペクトルの相違を探索し、活用することにある。 適応的に重み付けし、識別周波数帯域を増強する学習可能な周波数アテンションモジュールを導入する。
• 参考スコア（独自算出の注目度）: 12.927141899285758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid development of generative models has imposed an urgent demand for detection schemes with strong generalization capabilities. However, existing detection methods generally suffer from overfitting to specific source models, leading to significant performance degradation when confronted with unseen generative architectures. To address these challenges, this paper proposes a cross-model detection framework called S 2 F-Net, whose core lies in exploring and leveraging the inherent spectral discrepancies between real and synthetic textures. Considering that upsampling operations leave unique and distinguishable frequency fingerprints in both texture-poor and texture-rich regions, we focus our research on the detection of frequency-domain artifacts, aiming to fundamentally improve the generalization performance of the model. Specifically, we introduce a learnable frequency attention module that adaptively weights and enhances discriminative frequency bands by synergizing spatial texture analysis and spectral dependencies.On the AIGCDetectBenchmark, which includes 17 categories of generative models, S 2 F-Net achieves a detection accuracy of 90.49%, significantly outperforming various existing baseline methods in cross-domain detection scenarios.
• Abstract（参考訳）: 生成モデルの急速な発展は、強力な一般化能力を持つ検出スキームの急激な需要を強いている。 しかし、既存の検出方法は、一般的に特定のソースモデルに過度に適合し、目に見えない生成アーキテクチャに直面すると、性能が大幅に低下する。 これらの課題に対処するため,本論文では,実テクスチャと合成テクスチャのスペクトルの相違を探索し,活用することが中心となる,S2 F-Netと呼ばれるクロスモデル検出フレームワークを提案する。 アップサンプリング操作は, テクスチャに富む領域とテクスチャに富む領域の両方において, ユニークな, 識別可能な周波数指紋を残していることを考慮し, 周波数領域のアーティファクトの検出に焦点をあて, モデルの一般化性能を根本的に改善することを目的としている。 具体的には,空間テクスチャ解析とスペクトル依存性を相乗化することによって,識別周波数帯域を適応的に重み付け,強化する学習可能な周波数アテンションモジュールを提案する。AIGCDetectBenchmarkでは,生成モデルの17カテゴリを含むS2 F-Netが,検出精度90.49%を実現し,クロスドメイン検出シナリオにおける既存のベースライン手法を著しく上回る。

関連論文リスト

• Beyond Frequency: Scoring-Driven Debiasing for Object Detection via Blueprint-Prompted Image Synthesis [97.37770785712475]
  オブジェクト検出のための世代ベースデバイアスフレームワークを提案する。 提案手法は,未表現オブジェクト群の性能ギャップを著しく狭める。
  論文  参考訳（メタデータ） (2025-10-21T02:19:12Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• SFNet: Fusion of Spatial and Frequency-Domain Features for Remote Sensing Image Forgery Detection [7.054392101839536]
  偽のリモートセンシング画像は誤ったインテリジェンスやフェイクニュース、さらには陰謀説につながる可能性がある。 本稿では,多様なリモートセンシングデータから偽画像を特定することを目的とした,SFNet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。 3つのデータセットの実験により、SFNetは最先端のRS偽造検出法に対して4%-15.18%の精度向上を達成した。
  論文  参考訳（メタデータ） (2025-06-25T16:38:37Z)
• Towards Generalizable Deepfake Detection with Spatial-Frequency Collaborative Learning and Hierarchical Cross-Modal Fusion [3.9408262382784236]
  本稿では,マルチスケール空間周波数解析を統合した新しいフレームワークを提案する。 本手法は精度と一般化性の両方で最先端のディープフェイク検出法より優れる。
  論文  参考訳（メタデータ） (2025-04-24T03:23:35Z)
• Dual Frequency Branch Framework with Reconstructed Sliding Windows Attention for AI-Generated Image Detection [12.523297358258345]
  GAN(Generative Adversarial Networks)と拡散モデルにより、高度にリアルな合成画像の作成が可能になった。 GAN(Generative Adversarial Networks)と拡散モデルにより、高度にリアルな合成画像の作成が可能になった。 AI生成画像の検出は、重要な課題として浮上している。
  論文  参考訳（メタデータ） (2025-01-25T15:53:57Z)
• Optimizing Multispectral Object Detection: A Bag of Tricks and Comprehensive Benchmarks [49.84182981950623]
  RGBおよびTIR(熱赤外)変調を利用したマルチスペクトル物体検出は,課題として広く認識されている。 モダリティと堅牢な融合戦略の両方から特徴を効果的に抽出するだけでなく、スペクトルの相違といった問題に対処する能力も必要である。 本稿では,高パフォーマンス単一モードモデルのシームレスな最適化が可能な,効率的かつ容易にデプロイ可能なマルチスペクトルオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:18:39Z)
• Multiple Contexts and Frequencies Aggregation Network forDeepfake Detection [5.65128683992597]
  ディープフェイク検出は、大量で多様なディープフェイク技術の開発において、生成モデルの急速な成長以来、課題に直面している。 近年の進歩は、バックボーン内の一般的な偽造特徴をモデル化するのではなく、空間領域や周波数領域からの特徴の導入に依存している。 2つのコアモジュールからなるMkfaNetという顔偽造検出のための効率的なネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-03T05:34:53Z)
• Defect Detection in Tire X-Ray Images: Conventional Methods Meet Deep Structures [4.111152565355453]
  本研究は,欠陥検出システムの性能向上のための特徴工学の重要性を強調した。 実験により, タイヤ欠陥検出の精度と信頼性を, 微調整および機械学習モデルと組み合わせることで, タイヤ欠陥検出の精度と信頼性を著しく向上できることを示した。
  論文  参考訳（メタデータ） (2024-02-28T18:07:47Z)
• Frequency Perception Network for Camouflaged Object Detection [51.26386921922031]
  周波数領域のセマンティック階層によって駆動される新しい学習可能かつ分離可能な周波数知覚機構を提案する。 ネットワーク全体では、周波数誘導粗い局所化ステージと細部保存の微細局在化ステージを含む2段階モデルを採用している。 提案手法は,既存のモデルと比較して,3つのベンチマークデータセットにおいて競合性能を実現する。
  論文  参考訳（メタデータ） (2023-08-17T11:30:46Z)
• Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
  現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。 フェースフォージェリ検出に高周波雑音を用いることを提案する。 1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。 2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
  論文  参考訳（メタデータ） (2021-03-23T08:19:21Z)

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。