Fugu-MT 論文翻訳(概要): Degradation-Consistent Paired Training for Robust AI-Generated Image Detection

論文の概要: Degradation-Consistent Paired Training for Robust AI-Generated Image Detection

arxiv url: http://arxiv.org/abs/2604.10102v1
Date: Sat, 11 Apr 2026 08:52:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-14 20:13:15.842285
Title: Degradation-Consistent Paired Training for Robust AI-Generated Image Detection
Title（参考訳）: ロバストAIによる画像検出のための劣化持続ペアリング訓練
Authors: Zongyou Yang, Yinghan Hou, Xiaokun Yang,
Abstract要約: 本稿では,データ強化の副産物として劣化堅牢性を扱うための劣化持続ペアドトレーニング(DCPT)を提案する。実験の結果、DCPTはペアトレーニングなしで同じベースラインと比較して、劣化条件の平均精度を9.1ポイント向上することがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: AI-generated image detectors suffer significant performance degradation under real-world image corruptions such as JPEG compression, Gaussian blur, and resolution downsampling. We observe that state-of-the-art methods, including B-Free, treat degradation robustness as a byproduct of data augmentation rather than an explicit training objective. In this work, we propose Degradation-Consistent Paired Training (DCPT), a simple yet effective training strategy that explicitly enforces robustness through paired consistency constraints. For each training image, we construct a clean view and a degraded view, then impose two constraints: a feature consistency loss that minimizes the cosine distance between clean and degraded representations, and a prediction consistency loss based on symmetric KL divergence that aligns output distributions across views. DCPT adds zero additional parameters and zero inference overhead. Experiments on the Synthbuster benchmark (9 generators, 8 degradation conditions) demonstrate that DCPT improves the degraded-condition average accuracy by 9.1 percentage points compared to an identical baseline without paired training, while sacrificing only 0.9% clean accuracy. The improvement is most pronounced under JPEG compression (+15.7% to +17.9%). Ablation further reveals that adding architectural components leads to overfitting on limited training data, confirming that training objective improvement is more effective than architectural augmentation for degradation robustness.
Abstract（参考訳）: AI生成画像検出器は、JPEG圧縮、ガウスのぼかし、解像度のダウンサンプリングなどの実世界の画像汚損の下で、大幅なパフォーマンス低下を被る。我々は、B-Freeを含む最先端の手法が、データ拡張の副産物として劣化の堅牢性を、明示的な訓練目的ではなく、扱っていることを観察する。本研究は, 対の整合性制約によって頑健さを明示する, 単純かつ効果的なトレーニング戦略であるDCPT(Degradation-Consistent Paired Training)を提案する。各トレーニング画像に対して、クリーンなビューと劣化したビューを構築し、クリーンな表現と劣化した表現の間のコサイン距離を最小化する特徴整合損失と、ビュー間の出力分布を整列する対称KL分散に基づく予測整合損失という2つの制約を課する。 DCPTは、ゼロのパラメータとゼロの推論オーバーヘッドを追加します。 Synthbusterベンチマーク(9つのジェネレータ、8つの劣化条件)の実験では、DCPTは劣化条件の平均精度を9.1ポイント改善し、ペアトレーニングなしで同じベースラインに比較すると、精度はわずか0.9%向上した。この改善はJPEG圧縮(+15.7%から+17.9%)で最も顕著である。 Ablation氏はさらに、アーキテクチャコンポーネントを追加することで、限られたトレーニングデータに過度に適合し、トレーニング目標の改善が、分解堅牢性のためのアーキテクチャ強化よりも効果的であることを確認している。

関連論文リスト

BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。両課題に対処する統合フレームワークであるBadCLIP++を提案する。ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
論文参考訳（メタデータ） (2026-02-19T08:31:16Z)
Fixed-Threshold Evaluation of a Hybrid CNN-ViT for AI-Generated Image Detection Across Photos and Art [0.0]
クリーンな検証データに基づいて選択された決定しきい値を保持する固定閾値評価を導入し、すべての後処理変換に固定する。 AiDataアート/グラフィックでは91.4%の精度、AiDataアート/グラフィックでは89.7%の精度、CIFAKEでは98.3%(競争力)である。
論文参考訳（メタデータ） (2025-12-25T05:19:09Z)
ACT-Diffusion: Efficient Adversarial Consistency Training for One-step Diffusion Models [59.90959789767886]
整合性トレーニング損失の最適化は,目標分布と生成分布とのワッサーシュタイン距離を最小化することを示す。 CIFAR10 と ImageNet 64$times$64 と LSUN Cat 256$times$256 データセットの FID スコアを改善する。
論文参考訳（メタデータ） (2023-11-23T16:49:06Z)
Relationship Quantification of Image Degradations [72.98190570967937]
劣化関係指数(DRI)は,2モデル間の検証損失の平均ドロップレート差として定義される。 DRIは常に、特定の劣化を列車モデルの補助として利用することで、性能改善を予測します。得られた劣化組合せがアンカー劣化性能を向上させることができるかどうかを簡易かつ効果的に推定する手法を提案する。
論文参考訳（メタデータ） (2022-12-08T09:05:19Z)
Detection and Mitigation of Byzantine Attacks in Distributed Training [24.951227624475443]
ワーカノードの異常なビザンチン挙動は、トレーニングを脱線させ、推論の品質を損なう可能性がある。最近の研究は、幅広い攻撃モデルを検討し、歪んだ勾配を補正するために頑健な集約と/または計算冗長性を探究している。本研究では、強力な攻撃モデルについて検討する:$q$ omniscient adversaries with full knowledge of the defense protocol that can change from iteration to iteration to weak one: $q$ randomly selected adversaries with limited collusion abilities。
論文参考訳（メタデータ） (2022-08-17T05:49:52Z)
Adversarial Unlearning: Reducing Confidence Along Adversarial Directions [88.46039795134993]
本稿では,自己生成事例の信頼性を低下させる補完的な正規化戦略を提案する。 RCADと呼ばれるこの手法は、トレーニング損失を増やすために反対に選択された方向に沿って横たわっている流通外の事例に対する信頼性を低下させることを目的としている。その単純さにもかかわらず、多くの分類ベンチマークでは、RCADを既存の技術に追加して、絶対値の1～3%の精度でテストできることがわかった。
論文参考訳（メタデータ） (2022-06-03T02:26:24Z)
To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
論文参考訳（メタデータ） (2021-09-04T02:45:22Z)
Robust Pre-Training by Adversarial Contrastive Learning [120.33706897927391]
近年の研究では、敵の訓練と統合されると、自己監督型事前訓練が最先端の堅牢性につながることが示されている。我々は,データ強化と対向的摂動の両面に整合した学習表現により,ロバストネスを意識した自己指導型事前学習を改善する。
論文参考訳（メタデータ） (2020-10-26T04:44:43Z)
Does Data Augmentation Benefit from Split BatchNorms [29.134017115737507]
State-of-the-art data augmentationはトレーニングイメージを強く歪ませ、トレーニング中に見られる例と推論の間に相違をもたらす。本稿では, 配信外, 強化画像に対する補助的BatchNormを提案する。この手法により,CIFAR-10,CIFAR-100,ImageNetなどの画像分類ベンチマークの性能が大幅に向上することがわかった。
論文参考訳（メタデータ） (2020-10-15T15:00:43Z)
Supervised Contrastive Learning [42.27949000093086]
我々は、自己教師付きバッチコントラストアプローチを完全教師付き設定に拡張する。教師付きコントラスト(SupCon)損失の2つの可能なバージョンを分析し,損失の最も優れた定式化を同定した。 ResNet-200では、ImageNetデータセットでトップ1の精度が81.4%に達しています。
論文参考訳（メタデータ） (2020-04-23T17:58:56Z)

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。