論文の概要: A Difference-in-Difference Approach to Detecting AI-Generated Images
- arxiv url: http://arxiv.org/abs/2602.23732v1
- Date: Fri, 27 Feb 2026 06:57:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-02 19:48:24.288473
- Title: A Difference-in-Difference Approach to Detecting AI-Generated Images
- Title（参考訳）: AI生成画像検出のための差分差分法
- Authors: Xinyi Qi, Kai Ye, Chengchun Shi, Ying Yang, Hongyi Zhou, Jin Zhu,
- Abstract要約: 拡散モデルは、実際のものとほとんど区別できないAI生成画像を生成することができる。
これにより、潜在的な誤用に対する懸念が高まり、それらを検出する上で重大な課題が生じる。
実写画像と偽画像とを区別する新たな差分差分法を提案する。
- 参考スコア（独自算出の注目度）: 12.73070476746517
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion models are able to produce AI-generated images that are almost indistinguishable from real ones. This raises concerns about their potential misuse and poses substantial challenges for detecting them. Many existing detectors rely on reconstruction error -- the difference between the input image and its reconstructed version -- as the basis for distinguishing real from fake images. However, these detectors become less effective as modern AI-generated images become increasingly similar to real ones. To address this challenge, we propose a novel difference-in-difference method. Instead of directly using the reconstruction error (a first-order difference), we compute the difference in reconstruction error -- a second-order difference -- for variance reduction and improving detection accuracy. Extensive experiments demonstrate that our method achieves strong generalization performance, enabling reliable detection of AI-generated images in the era of generative AI.
- Abstract（参考訳）: 拡散モデルは、実際のものとほとんど区別できないAI生成画像を生成することができる。
これにより、潜在的な誤用に対する懸念が高まり、それらを検出する上で重大な課題が生じる。
多くの既存の検出器は、実写画像と偽写画像の区別の基礎として、入力画像と再構成されたバージョンの違いである復元誤差に依存している。
しかし、現代のAI生成画像が実際の画像とますます似ているため、これらの検出器は効果が低下する。
そこで本研究では,新しい差分差分法を提案する。
再構成誤差(第1次差分)を直接使用する代わりに、再構成誤差(第2次差分)の差を分散低減と検出精度の向上のために計算する。
大規模な実験により,提案手法は強力な一般化性能を実現し,生成AI時代のAI生成画像の信頼性の高い検出を可能にした。
関連論文リスト
- GRRE: Leveraging G-Channel Removed Reconstruction Error for Robust Detection of AI-Generated Images [21.903079107456424]
G- Channel Removed Reconstruction Error (GRRE) は、堅牢なAI生成画像検出にこの差を利用した、シンプルで効果的な方法である。
GRREは、トレーニング中に見えないものを含む複数の生成モデル間で、高い検出精度を一貫して達成する。
これらの結果は、生成AI時代における画像の真正性を保護するための強力な法医学的ツールとして、チャネル除去に基づく再構築の可能性を強調している。
論文 参考訳（メタデータ） (2026-01-06T04:53:10Z) - Detecting Generated Images by Fitting Natural Image Distributions [75.31113784234877]
本稿では,自然画像と生成画像のデータ多様体間の幾何学的差異を利用した新しいフレームワークを提案する。
自然画像に対して一貫した出力を出力するために設計された関数対を用いるが、生成した関数に対しては発散出力を用いる。
データ多様体に沿った変換が、自然画像上で事前訓練された自己教師付きモデルの損失値に有意な変化をもたらす場合、画像は生成されたものとして識別される。
論文 参考訳（メタデータ） (2025-11-03T07:20:38Z) - 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) - RAID: A Dataset for Testing the Adversarial Robustness of AI-Generated Image Detectors [57.81012948133832]
本稿では,72kの多種多様かつ高い変換可能な対向例からなるRAID(Robust Evaluation of AI- generated Image Detectors)を提案する。
提案手法は,未知の検出器に高い成功率で転送する逆画像を生成する。
以上の結果から,現在最先端のAI生成画像検出器は,敵の例によって容易に認識できることが示唆された。
論文 参考訳（メタデータ） (2025-06-04T14:16:00Z) - Explainable Synthetic Image Detection through Diffusion Timestep Ensembling [30.298198387824275]
本稿では,複数の雑音の時間ステップでアンサンブルを訓練することにより,中間雑音画像の特徴を直接活用する合成画像検出手法を提案する。
人間の理解を深めるために,メートル法に基づく説明文生成と改良モジュールを導入する。
本手法は, 正解率98.91%, 正解率95.89%, 正解率95.89%, 正解率98.91%, 正解率95.89%である。
論文 参考訳（メタデータ） (2025-03-08T13:04:20Z) - 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) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳（メタデータ） (2024-11-28T13:04:45Z) - Zero-Shot Detection of AI-Generated Images [54.01282123570917]
AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。
機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。
ZEDは精度の点でSoTAよりも平均3%以上改善されている。
論文 参考訳（メタデータ） (2024-09-24T08:46:13Z) - RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。
RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
論文 参考訳（メタデータ） (2024-05-30T14:49:54Z)
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。