論文の概要: Efficient Zero-Shot AI-Generated Image Detection
- arxiv url: http://arxiv.org/abs/2603.21619v1
- Date: Mon, 23 Mar 2026 06:33:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.52596
- Title: Efficient Zero-Shot AI-Generated Image Detection
- Title（参考訳）: ゼロショットAIによる高能率画像検出
- Authors: Ryosuke Sonoda, Ramya Srinivasan,
- Abstract要約: 本稿では、構造化周波数に対する表現感度を測定する訓練不要なAI生成画像検出手法を提案する。
提案手法は,入力画像に対して1つのフーリエ変換のみを必要とするため,計算的に軽量である。
挑戦的ベンチマークに関する大規模な実験は、我々の方法が最先端(SoTA)に対して有効であることを実証している。
- 参考スコア（独自算出の注目度）: 2.915868985330569
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid progress of text-to-image models has made AI-generated images increasingly realistic, posing significant challenges for accurate detection of generated content. While training-based detectors often suffer from limited generalization to unseen images, training-free approaches offer better robustness, yet struggle to capture subtle discrepancies between real and synthetic images. In this work, we propose a training-free AI-generated image detection method that measures representation sensitivity to structured frequency perturbations, enabling detection of minute manipulations. The proposed method is computationally lightweight, as perturbation generation requires only a single Fourier transform for an input image. As a result, it achieves one to two orders of magnitude faster inference than most training-free detectors.Extensive experiments on challenging benchmarks demonstrate the efficacy of our method over state-of-the-art (SoTA). In particular, on OpenFake benchmark, our method improves AUC by nearly $10\%$ compared to SoTA, while maintaining substantially lower computational cost.
- Abstract（参考訳）: テキスト画像モデルの急速な進歩により、AI生成画像はますます現実的になり、生成されたコンテンツを正確に検出する上で重要な課題となっている。
トレーニングベースの検出器は、通常、見えない画像への限定的な一般化に悩まされるが、トレーニングなしのアプローチは、より堅牢性を提供するが、実際の画像と合成画像の微妙な相違を捉えるのに苦労する。
本研究では、構造化周波数摂動に対する表現感度を計測し、微小な操作の検出を可能にする、トレーニング不要なAI生成画像検出手法を提案する。
提案手法は,入力画像に対して1つのフーリエ変換のみを必要とするため,計算的に軽量である。
その結果、ほとんどのトレーニング不要な検出器よりも1～2桁高速な推論を実現し、挑戦的なベンチマーク実験により、我々の手法が最先端(SoTA)に対して有効であることを実証した。
特にOpenFakeベンチマークでは,計算コストを著しく低く抑えつつ,AUCをSoTAと比較して約10\%改善する。
関連論文リスト
- DINO-Detect: A Simple yet Effective Framework for Blur-Robust AI-Generated Image Detection [49.150854960278764]
そこで我々は,教師の知識蒸留に基づくぼやけたAIGI検出フレームワークを開発した。
クリーンな(シャープな)イメージに基づいて訓練された高容量の教師(DINOv3)は、学習の基準となる安定的で意味的に豊かな表現を提供する。
教師は,その一般化能力を維持するために凍結することにより,その特徴を抽出し,鮮明な画像からのロジット応答を,ぼやけた画像に基づいて訓練した学生に伝える。
論文 参考訳（メタデータ） (2025-11-16T08:54:00Z) - 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) - 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) - Time Step Generating: A Universal Synthesized Deepfake Image Detector [0.4488895231267077]
汎用合成画像検出器 Time Step Generating (TSG) を提案する。
TSGは、事前訓練されたモデルの再構築能力、特定のデータセット、サンプリングアルゴリズムに依存していない。
我々は,提案したTSGを大規模GenImageベンチマークで検証し,精度と一般化性の両方において大幅な改善を実現した。
論文 参考訳（メタデータ） (2024-11-17T09:39:50Z) - Fast constrained sampling in pre-trained diffusion models [80.99262780028015]
任意の制約下で高速で高品質な生成を可能にするアルゴリズムを提案する。
我々の手法は、最先端のトレーニングフリー推論手法に匹敵するか、超越した結果をもたらす。
論文 参考訳（メタデータ） (2024-10-24T14:52:38Z) - 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。