論文の概要: NTIRE 2026 Challenge on Robust AI-Generated Image Detection in the Wild

• arxiv url: http://arxiv.org/abs/2604.11487v1
• Date: Mon, 13 Apr 2026 13:53:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.579349
• Title: NTIRE 2026 Challenge on Robust AI-Generated Image Detection in the Wild
• Title（参考訳）: NTIRE 2026 野生におけるロバストAIによる画像検出の課題
• Abstract要約: この課題の目標は、現実的なシナリオで生成された画像と実際の画像を区別できる検出モデルを開発することである。 この課題は、42個のジェネレータから108,750のリアルと185,750のAI生成画像からなる、新しいデータセットに基づいている。 511人の参加者が登録され、20チームが有効な最終ソリューションを提出した。
• 参考スコア（独自算出の注目度）: 95.82506785934667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an overview of the NTIRE 2026 Challenge on Robust AI-Generated Image Detection in the Wild, held in conjunction with the NTIRE workshop at CVPR 2026. The goal of this challenge was to develop detection models capable of distinguishing real images from generated ones in realistic scenarios: the images are often transformed (cropped, resized, compressed, blurred) for practical usage, and therefore, the detection models should be robust to such transformations. The challenge is based on a novel dataset consisting of 108,750 real and 185,750 AI-generated images from 42 generators comprising a large variety of open-source and closed-source models of various architectures, augmented with 36 image transformations. Methods were evaluated using ROC AUC on the full test set, including both transformed and untransformed images. A total of 511 participants registered, with 20 teams submitting valid final solutions. This report provides a comprehensive overview of the challenge, describes the proposed solutions, and can be used as a valuable reference for researchers and practitioners in increasing the robustness of the detection models to real-world transformations.
• Abstract（参考訳）: 本稿では,CVPR 2026 の NTIRE ワークショップと共同で開催されている,ロバストなAI生成画像検出に関する NTIRE 2026 Challenge の概要について述べる。 この課題の目標は、現実的なシナリオにおいて生成された画像と実際の画像を区別できる検出モデルを開発することであった。 この課題は、さまざまなアーキテクチャのさまざまなオープンソースモデルとクローズドソースモデルで構成される42のジェネレータから108,750のリアルイメージと185,750のAI生成イメージで構成され、36の画像変換で拡張された新しいデータセットに基づいている。 変換画像と非変換画像の両方を含む全テストセットでROC AUCを用いて評価した。 511人の参加者が登録され、20チームが有効な最終ソリューションを提出した。 本報告では,本課題の概要を概説し,提案したソリューションについて述べるとともに,実世界の変換に対する検出モデルの堅牢性を高める上で,研究者や実践者にとって貴重な参考資料として利用することができる。

関連論文リスト

• Findings of the Counter Turing Test: AI-Generated Image Detection [23.358538027776877]
  AI生成画像のリアリズムの増大は、研究者、政策立案者、および業界のステークホルダーにとって、その検出を迫る関心を喚起する。 本稿では,AI生成画像検出のためのCounter Turing Test (CT2)を導入したDefactify 4.0ワークショップの成果を紹介する。 コンペティションは、(1)AI生成画像のバイナリ分類と(2)AI生成画像に責任がある特定の生成モデルの識別の2つの主要なタスクで構成された。
  論文  参考訳（メタデータ） (2026-05-20T06:32:55Z)
• The Fourth Challenge on Image Super-Resolution ($\ imes$4) at NTIRE 2026: Benchmark Results and Method Overview [202.40386112006652]
  NTIRE 2026イメージ超解像(4ドル)チャレンジは、CVPR 2026のNTIRE 2026ワークショップのコンペティションのひとつ。 この課題は、低分解能(LR)入力から高分解能(HR)イメージを2倍のダウンサンプリングで$times$4スケールファクタで再構築することを目的としている。 本報告では、参加チームの課題設計、データセット、評価プロトコル、主な成果、方法について要約する。
  論文  参考訳（メタデータ） (2026-04-16T02:41:53Z)
• Bridging the Gap Between Ideal and Real-world Evaluation: Benchmarking AI-Generated Image Detection in Challenging Scenarios [54.07895223545793]
  本稿では,実世界ロバストネスデータセット(RRDataset)を導入し,3次元にわたる検出モデルの包括的評価を行う。 RRDatasetには7つの主要なシナリオの高品質なイメージが含まれている。 我々はRRDataset上で17の検出器と10の視覚言語モデル(VLM)をベンチマークし、大規模な人間実験を行った。
  論文  参考訳（メタデータ） (2025-09-11T06:15:52Z)
• NTIRE 2025 challenge on Text to Image Generation Model Quality Assessment [146.76913448156176]
  本稿では,テキスト・トゥ・イメージ(T2I)生成モデルの品質評価におけるNTIRE 2025課題について報告する。 この課題の目的は、テキスト・ツー・画像生成モデルのきめ細かい品質評価に対処することである。
  論文  参考訳（メタデータ） (2025-05-22T07:12:36Z)
• NTIRE 2024 Challenge on Image Super-Resolution ($\times$4): Methods and Results [126.78130602974319]
  画像の超高解像度化に関するNTIRE 2024の課題(4ドル)をレビューする。 この課題は、低解像度(LR)入力から4倍の倍率で対応する高解像度(HR)画像を生成することである。 この挑戦の目的は、最も先進的なSR性能を持つ設計/解決を得ることである。
  論文  参考訳（メタデータ） (2024-04-15T13:45:48Z)
• NICE: CVPR 2023 Challenge on Zero-shot Image Captioning [149.28330263581012]
  NICEプロジェクトは、堅牢な画像キャプションモデルを開発するためにコンピュータビジョンコミュニティに挑戦するために設計されている。 レポートには、新たに提案されたNICEデータセット、評価方法、課題結果、トップレベルのエントリの技術的な詳細などが含まれている。
  論文  参考訳（メタデータ） (2023-09-05T05:32:19Z)
• NTIRE 2021 Challenge on Perceptual Image Quality Assessment [128.83256694901726]
  NTIRE 2021の知覚画像品質評価(IQA)に関する課題について報告する。 CVPR 2021では、画像修復・強化ワークショップ(NTIRE)のNew Trendsと連携して開催されました。 新しいタイプの画像処理技術として、GAN(Generative Adversarial Networks)に基づく知覚画像処理アルゴリズムが、より現実的なテクスチャを持つ画像を生成する。
  論文  参考訳（メタデータ） (2021-05-07T05:36:54Z)

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。