Fugu-MT 論文翻訳(概要): HEDGE: Heterogeneous Ensemble for Detection of AI-GEnerated Images in the Wild

論文の概要: HEDGE: Heterogeneous Ensemble for Detection of AI-GEnerated Images in the Wild

arxiv url: http://arxiv.org/abs/2604.03555v1
Date: Sat, 04 Apr 2026 02:46:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-07 15:49:18.636948
Title: HEDGE: Heterogeneous Ensemble for Detection of AI-GEnerated Images in the Wild
Title（参考訳）: HEDGE: 野生のAI画像検出のための異種アンサンブル
Authors: Fei Wu, Dagong Lu, Mufeng Yao, Xinlei Xu, Fengjun Guo,
Abstract要約: HEDGEはAIによる画像検出のための異種アンサンブルである。 RouteAは段階的なデータ拡張と拡張エスカレーションを通じて、DINOv3ベースの検出器を段階的に構築する。 RouteBには、詳細な法医学的手がかりのための高解像度ブランチが組み込まれており、RouteCには、バックボーンの多様性のためのMetaCLIP2ベースのブランチが追加されている。
参考スコア（独自算出の注目度）: 17.30735058274559
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Robust detection of AI-generated images in the wild remains challenging due to the rapid evolution of generative models and varied real-world distortions. We argue that relying on a single training regime, resolution, or backbone is insufficient to handle all conditions, and that structured heterogeneity across these dimensions is essential for robust detection. To this end, we propose HEDGE, a Heterogeneous Ensemble for Detection of AI-GEnerated images, that introduces complementary detection routes along three axes: diverse training data with strong augmentation, multi-scale feature extraction, and backbone heterogeneity. Specifically, Route~A progressively constructs DINOv3-based detectors through staged data expansion and augmentation escalation, Route~B incorporates a higher-resolution branch for fine-grained forensic cues, and Route~C adds a MetaCLIP2-based branch for backbone diversity. All outputs are fused via logit-space weighted averaging, refined by a lightweight dual-gating mechanism that handles branch-level outliers and majority-dominated fusion errors. HEDGE achieves 4th place in the NTIRE 2026 Robust AI-Generated Image Detection in the Wild Challenge and attains state-of-the-art performance with strong robustness on multiple AIGC image detection benchmarks.
Abstract（参考訳）: 自然界におけるAI生成画像のロバスト検出は、生成モデルの急速な進化と様々な現実世界の歪みのため、依然として困難である。我々は、単一のトレーニング体制、解像度、バックボーンに頼ることは全ての条件を扱うには不十分であり、これらの次元をまたいだ構造的不均一性は、堅牢な検出に不可欠であると主張している。そこで本研究では,AI-GEnerated画像検出のための異種アンサンブルであるHEDGEを提案する。具体的には、ルート~Aは段階的なデータ拡張と拡張エスカレーションを通じてDINOv3ベースの検出器を段階的に構築し、ルート~Bは微細な法医学的手がかりのために高解像度の分岐を組み込み、ルート~Cは背骨の多様性のためのMetaCLIP2ベースの分岐を追加する。すべての出力はロジト空間の重み付けにより融合され、分岐レベルのアウトリアと多数が支配する融合エラーを処理する軽量なデュアルゲート機構によって洗練される。 HEDGEは、NTIRE 2026のRobust AI-Generated Image Detection in the Wild Challengeで4位を獲得し、複数のAIGCイメージ検出ベンチマークで強い堅牢性で最先端のパフォーマンスを達成する。

関連論文リスト

FeatDistill: A Feature Distillation Enhanced Multi-Expert Ensemble Framework for Robust AI-generated Image Detection [14.180599240051238]
FeatDistillは、特徴蒸留とマルチエキスパートアンサンブルを統合する、AI生成の画像検出フレームワークである。 NTIRE Challenge on Robust AI-Generated Image Detection in the Wildのために開発された。
論文参考訳（メタデータ） (2026-03-23T12:55:31Z)
Scaling Up AI-Generated Image Detection via Generator-Aware Prototypes [15.99138549265524]
GAPL(Generator-Aware Prototype Learning)は、構造化学習パラダイムで表現を制約するフレームワークである。 GAPLは最先端の性能を達成し、多様なGANおよび拡散型ジェネレータにおいて優れた検出精度を示す。
論文参考訳（メタデータ） (2025-12-15T04:58:08Z)
ForensicsSAM: Toward Robust and Unified Image Forgery Detection and Localization Resisting to Adversarial Attack [56.0056378072843]
高い転送性を持つ逆画像は上流モデルでのみ作成可能であることを示す。本稿では,IFDLフレームワークを組み込んだForensicsSAMを提案する。
論文参考訳（メタデータ） (2025-08-10T16:03:44Z)
Towards Generalizable Forgery Detection and Reasoning [23.858913560970866]
We formulate detection and explanation as a unified forgery Detection and Reasoning task (FDR-Task) マルチモーダル・フォージェリー推論データセット (MMFR-Dataset) は10つの生成モデルにわたる120K画像を含む大規模データセットであり, フォージェリー属性には378Kの推論アノテーションがある。複数の生成モデルに対する実験により、FakeReasoningは堅牢な一般化を実現し、検出タスクと推論タスクの両方において最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2025-03-27T06:54:06Z)
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)
D$^3$: Scaling Up Deepfake Detection by Learning from Discrepancy [29.919663502808575]
既存の文献は、目に見えない発電機上でのディープフェイク検出の一般化能力を強調している。この研究は、より一般化と堅牢性のある普遍的なディープフェイク検出システムに向けた一歩である。
論文参考訳（メタデータ） (2024-04-06T10:45:02Z)
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-12-11T18:38:28Z)
A Dual Attentive Generative Adversarial Network for Remote Sensing Image Change Detection [6.906936669510404]
本稿では,高分解能なリモートセンシング画像変化検出タスクを実現するために,二重注意生成対向ネットワークを提案する。 DAGANフレームワークは、85.01%がIoU、91.48%がF1スコアであり、LEVIRデータセットの先進的な手法よりもパフォーマンスが良い。
論文参考訳（メタデータ） (2023-10-03T08:26:27Z)
Hybrid-Supervised Dual-Search: Leveraging Automatic Learning for Loss-free Multi-Exposure Image Fusion [60.221404321514086]
マルチ露光画像融合(MEF)は、様々な露光レベルを表すデジタルイメージングの限界に対処するための重要な解決策である。本稿では、ネットワーク構造と損失関数の両方を自動設計するための二段階最適化探索方式であるHSDS-MEFと呼ばれるMEFのためのハイブリッドスーパービジョンデュアルサーチ手法を提案する。
論文参考訳（メタデータ） (2023-09-03T08:07:26Z)
The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文参考訳（メタデータ） (2022-01-29T10:54:57Z)

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。