論文の概要: CIPHER: Counterfeit Image Pattern High-level Examination via Representation

• arxiv url: http://arxiv.org/abs/2603.29356v1
• Date: Tue, 31 Mar 2026 07:27:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.251536
• Title: CIPHER: Counterfeit Image Pattern High-level Examination via Representation
• Title（参考訳）: CIPHER:表現による偽画像パターンの高レベル検査
• Authors: Kyeonghun Kim, Youngung Han, Seoyoung Ju, Yeonju Jean, YooHyun Kim, Minseo Choi, SuYeon Lim, Kyungtae Park, Seungwoo Baek, Sieun Hyeon, Nam-Joon Kim, Hyuk-Jae Lee,
• Abstract要約: そこで我々はCIPHERというディープフェイク検出フレームワークを紹介した。 拡散モデルから ProGAN 識別器からスケール適応的特徴と時間整合性特徴を抽出することにより、CIPHER は従来の検出器がしばしば見落としている生成非依存のアーティファクトをキャプチャする。
• 参考スコア（独自算出の注目度）: 10.444553810902788
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid progress of generative adversarial networks (GANs) and diffusion models has enabled the creation of synthetic faces that are increasingly difficult to distinguish from real images. This progress, however, has also amplified the risks of misinformation, fraud, and identity abuse, underscoring the urgent need for detectors that remain robust across diverse generative models. In this work, we introduce Counterfeit Image Pattern High-level Examination via Representation(CIPHER), a deepfake detection framework that systematically reuses and fine-tunes discriminators originally trained for image generation. By extracting scale-adaptive features from ProGAN discriminators and temporal-consistency features from diffusion models, CIPHER captures generation-agnostic artifacts that conventional detectors often overlook. Through extensive experiments across nine state-of-the-art generative models, CIPHER demonstrates superior cross-model detection performance, achieving up to 74.33% F1-score and outperforming existing ViT-based detectors by over 30% in F1-score on average. Notably, our approach maintains robust performance on challenging datasets where baseline methods fail, with up to 88% F1-score on CIFAKE compared to near-zero performance from conventional detectors. These results validate the effectiveness of discriminator reuse and cross-model fine-tuning, establishing CIPHER as a promising approach toward building more generalizable and robust deepfake detection systems in an era of rapidly evolving generative technologies.
• Abstract（参考訳）: GAN(Generative Adversarial Network)と拡散モデルの急速な進歩により、実際の画像と区別することがますます困難になっている合成顔の作成が可能になった。 しかし、この進歩は誤情報、詐欺、およびアイデンティティの乱用のリスクを増幅し、多様な生成モデル間で堅牢な検出器の必要性を緊急に強調している。 本研究では,主に画像生成のために訓練された微細構造識別器を体系的に再利用するディープフェイク検出フレームワークであるCIPHER(Counterfeit Image Pattern High-level Examination via Representation)を紹介する。 拡散モデルから ProGAN 識別器からスケール適応的特徴と時間整合性特徴を抽出することにより、CIPHER は従来の検出器がしばしば見落としている生成非依存のアーティファクトをキャプチャする。 9つの最先端生成モデルにわたる広範な実験を通じて、CIPHERは、74.33%のF1スコアを達成し、既存のVTベースの検出器を平均で30%以上上回る、優れたクロスモデル検出性能を示す。 特に,本手法は,従来の検出器によるほぼゼロに近い性能と比較して,CIFAKE上で最大88%のF1スコアで,ベースライン法が失敗する挑戦的なデータセットに対して,堅牢な性能を維持している。 これらの結果は, 識別器の再利用とクロスモデル微調整の有効性を検証し, 急速に発展する生成技術の時代において, より汎用的で堅牢な深度検出システムを構築するための有望なアプローチとしてCIPHERを確立した。

関連論文リスト

• Self-Supervised AI-Generated Image Detection: A Camera Metadata Perspective [80.10217707456046]
  カメラメタデータを利用したAI生成画像検出のための自己教師型アプローチを提案する。 分類型EXIFタグを分類することにより,撮影画像のみに特徴抽出器を訓練する。 我々の検出器は、電界中のサンプルに対して強力な一般化と、一般的な良性イメージの摂動に対する堅牢性を提供する。
  論文  参考訳（メタデータ） (2025-12-05T11:53:18Z)
• DiffusionFF: Face Forgery Detection via Diffusion-based Artifact Localization [21.139016641596676]
  DiffusionFFは、拡散に基づくアーティファクトローカライゼーションによる顔偽造検出を強化する新しいフレームワークである。 本手法は,高次拡散モデルを用いて高次構造相似性(DSSIM)マップを生成し,微妙な操作の痕跡を効果的に捉える。
  論文  参考訳（メタデータ） (2025-08-03T18:06:04Z)
• 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)
• HFMF: Hierarchical Fusion Meets Multi-Stream Models for Deepfake Detection [4.908389661988192]
  HFMFは総合的な2段階のディープフェイク検出フレームワークである。 視覚変換器と畳み込みネットを階層的特徴融合機構を通じて統合する。 私たちのアーキテクチャは、多様なデータセットベンチマークで優れたパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2025-01-10T00:20:29Z)
• 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)
• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)
• DuDGAN: Improving Class-Conditional GANs via Dual-Diffusion [2.458437232470188]
  GAN(Generative Adversarial Network)を用いたクラス条件画像生成について,様々な手法を用いて検討した。 本稿では,DuDGANと呼ばれる2次元拡散型ノイズ注入法を取り入れたGANを用いたクラス条件画像生成手法を提案する。 提案手法は,画像生成のための現状条件付きGANモデルよりも性能的に優れている。
  論文  参考訳（メタデータ） (2023-05-24T07:59:44Z)

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。