論文の概要: RA-Det: Towards Universal Detection of AI-Generated Images via Robustness Asymmetry

• arxiv url: http://arxiv.org/abs/2603.01544v1
• Date: Mon, 02 Mar 2026 07:15:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.730855
• Title: RA-Det: Towards Universal Detection of AI-Generated Images via Robustness Asymmetry
• Title（参考訳）: RA-Det:ロバスト性非対称性によるAI生成画像の普遍的検出に向けて
• Authors: Xinchang Wang, Yunhao Chen, Yuechen Zhang, Congcong Bian, Zihao Guo, Xingjun Ma, Hui Li,
• Abstract要約: 最近の画像生成装置は、下流認識システムの信頼性を損なうフォトリアリスティックなコンテンツを生成する。 視覚的な外観の手がかりがより顕著になるにつれて、法医学的な手がかりやハイレベルな表現に依存する外観駆動型検出器は安定性を損なう。 これは外観から行動へのシフトを動機付け、画像がどのように見えるかではなく、制御された摂動にどう反応するかに焦点を当てる。 本稿ではロバストネス非対称性検出(RA-Det)という,ロバストネス非対称性を信頼性の高い決定信号に変換する行動駆動検出フレームワークを紹介する。
• 参考スコア（独自算出の注目度）: 29.095026459349544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent image generators produce photo-realistic content that undermines the reliability of downstream recognition systems. As visual appearance cues become less pronounced, appearance-driven detectors that rely on forensic cues or high-level representations lose stability. This motivates a shift from appearance to behavior, focusing on how images respond to controlled perturbations rather than how they look. In this work, we identify a simple and universal behavioral signal. Natural images preserve stable semantic representations under small, structured perturbations, whereas generated images exhibit markedly larger feature drift. We refer to this phenomenon as robustness asymmetry and provide a theoretical analysis that establishes a lower bound connecting this asymmetry to memorization tendencies in generative models, explaining its prevalence across architectures. Building on this insight, we introduce Robustness Asymmetry Detection (RA-Det), a behavior-driven detection framework that converts robustness asymmetry into a reliable decision signal. Evaluated across 14 diverse generative models and against more than 10 strong detectors, RA-Det achieves superior performance, improving the average performance by 7.81 percent. The method is data- and model-agnostic, requires no generator fingerprints, and transfers across unseen generators. Together, these results indicate that robustness asymmetry is a stable, general cue for synthetic-image detection and that carefully designed probing can turn this cue into a practical, universal detector. The source code is publicly available at Github.
• Abstract（参考訳）: 最近の画像生成装置は、下流認識システムの信頼性を損なうフォトリアリスティックなコンテンツを生成する。 視覚的な外観の手がかりがより顕著になるにつれて、法医学的な手がかりやハイレベルな表現に依存する外観駆動型検出器は安定性を損なう。 これは外観から行動へのシフトを動機付け、画像がどのように見えるかではなく、制御された摂動にどう反応するかに焦点を当てる。 本研究では,単純かつ普遍的な行動信号の同定を行う。 自然画像は、小さくて構造的な摂動の下で安定な意味表現を保ち、生成した画像は著しく大きな特徴漂流を示す。 我々は、この現象をロバスト性非対称性と呼び、この非対称性と生成モデルにおける記憶傾向を連結する下界を確立する理論解析を行い、そのアーキテクチャ間の有意性を説明する。 この知見に基づいて、ロバストネス非対称性検出(RA-Det)を導入し、ロバストネス非対称性を信頼性の高い決定信号に変換する。 14の多様な生成モデルと10以上の強力な検出器に対して評価され、RA-Detは性能が優れ、平均性能は7.81パーセント向上した。 この方法はデータとモデルに依存しず、ジェネレータの指紋を必要とせず、見えないジェネレータ間で転送する。 これらの結果は、ロバスト性非対称性は、合成画像検出のための安定な一般的なキューであり、慎重に設計されたプローブは、このキューを実用的で普遍的な検出器にすることができることを示している。 ソースコードはGithubで公開されている。

関連論文リスト

• Self-Aware Object Detection via Degradation Manifolds [3.8265249634979734]
  安全クリティカルな設定では、入力が検出器の名目上の操作状態内にあるかどうかを判断することなく予測を行うことはできない。 劣化多様体に基づく自己認識フレームワークを提案する。 本手法は,コントラスト学習により訓練された軽量な埋め込みヘッドを用いて,標準的な検出バックボーンを増強する。
  論文  参考訳（メタデータ） (2026-02-20T17:58:46Z)
• CINEMAE: Leveraging Frozen Masked Autoencoders for Cross-Generator AI Image Detection [25.84217122259626]
  CINEMAEはテキスト検出法の中核となる原則を視覚領域に適用する。 我々は、安定拡散v1.4のみをトレーニングし、GenImageベンチマークの8つの未知のジェネレータに対して95%以上の精度を達成した。 このことは、文脈条件の再構成の不確実性が、AIGC検出のための堅牢で転送可能な信号を提供することを示している。
  論文  参考訳（メタデータ） (2025-11-09T11:05:45Z)
• 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)
• $\bf{D^3}$QE: Learning Discrete Distribution Discrepancy-aware Quantization Error for Autoregressive-Generated Image Detection [85.9202830503973]
  視覚的自己回帰(AR)モデルは、離散トークン予測を通じて画像を生成する。 本稿では,離散分布離散性を考慮した量子化誤差(D$3$QE)を自己回帰画像検出に活用することを提案する。
  論文  参考訳（メタデータ） (2025-10-07T13:02:27Z)
• Synthetic Image Detection via Spectral Gaps of QC-RBIM Nishimori Bethe-Hessian Operators [0.0]
  本稿では,スパース重み付きグラフ上でのコミュニティ検出問題として,合成画像識別を扱うモデル非依存検出器を提案する。 Flickr-Faces-HQ と CelebA の実際の写真と、GAN と拡散モデルにより生成された合成写真を用いて、猫対犬対男性対女性対バイナリタスクのアプローチを検証する。 我々の貢献は、深部画像の特徴を埋め込んだ新しいLDPCグラフ構築、西森温度RBIMとベーテ・ヘッセンスペクトル間の解析的リンク、新しい生成アーキテクチャに頑健な実用的で教師なしの合成画像検出器である。
  論文  参考訳（メタデータ） (2025-08-27T09:06:53Z)
• 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)
• 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)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• Interpreting Global Perturbation Robustness of Image Models using Axiomatic Spectral Importance Decomposition [0.0]
  摂動堅牢性は、データ破損や敵攻撃など、さまざまな摂動から生じるモデルの脆弱性を評価する。 本稿では,画像モデルの摂動ロバスト性を理解するために,モデルに依存しない大域的機械論的解釈法を提案する。
  論文  参考訳（メタデータ） (2024-08-02T09:35:06Z)
• Towards Robust GAN-generated Image Detection: a Multi-view Completion Representation [27.483031588071942]
  GAN生成画像検出は、ディープフェイクのようなマシン合成画像操作の悪意ある使用に対する最初の防御線となっている。 本稿では,新しい多視点画像補完表現に基づくロバスト検出フレームワークを提案する。 我々は,6つのGANに対して異なる解像度でフレームワークの一般化能力を評価し,その幅広い摂動攻撃に対する堅牢性を評価する。
  論文  参考訳（メタデータ） (2023-06-02T08:38:02Z)
• Adversarially-Aware Robust Object Detector [85.10894272034135]
  本稿では,ロバスト検出器 (RobustDet) を提案する。 本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
  論文  参考訳（メタデータ） (2022-07-13T13:59:59Z)

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。