論文の概要: Boosting Robust AIGI Detection with LoRA-based Pairwise Training
- arxiv url: http://arxiv.org/abs/2604.12307v1
- Date: Tue, 14 Apr 2026 05:35:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.259689
- Title: Boosting Robust AIGI Detection with LoRA-based Pairwise Training
- Title（参考訳）: LoRAを用いたペアワイズトレーニングによるロバストAIGI検出の高速化
- Authors: Ruiyang Xia, Qi Zhang, Yaowen Xu, Zhaofan Zou, Hao Sun, Zhongjiang He, Xuelong Li,
- Abstract要約: 現在のAIGI検出器はクリーンなデータセットで良好に動作しますが、その検出性能は"野生"に展開すると低下します。
本稿では,高度歪み下でのAIGIの堅牢な検出を実現するために,Lo-based Pairwise Training (RA) 戦略を提案する。
- 参考スコア（独自算出の注目度）: 55.076681464804636
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The proliferation of highly realistic AI-Generated Image (AIGI) has necessitated the development of practical detection methods. While current AIGI detectors perform admirably on clean datasets, their detection performance frequently decreases when deployed "in the wild", where images are subjected to unpredictable, complex distortions. To resolve the critical vulnerability, we propose a novel LoRA-based Pairwise Training (LPT) strategy designed specifically to achieve robust detection for AIGI under severe distortions. The core of our strategy involves the targeted finetuning of a visual foundation model, the deliberate simulation of data distribution during the training phase, and a unique pairwise training process. Specifically, we introduce distortion and size simulations to better fit the distribution from the validation and test sets. Based on the strong visual representation capability of the visual foundation model, we finetune the model to achieve AIGI detection. The pairwise training is utilized to improve the detection via decoupling the generalization and robustness optimization. Experiments show that our approach secured the 3th placement in the NTIRE Robust AI-Generated Image Detection in the Wild challenge
- Abstract（参考訳）: 高度にリアルなAI生成画像(AIGI)の拡散は、実用的な検出方法の開発を必要としている。
現行のAIGI検出器はクリーンなデータセットで順調に機能するが、画像が予測不能で複雑な歪みを受ける「野生」に展開された場合、その検出性能は頻繁に低下する。
重大な脆弱性を解決するために,我々は,高度歪み下でAIGIの堅牢な検出を実現するために,LoRAベースのペアワイズトレーニング(LPT)戦略を提案する。
当社の戦略の核心は、視覚基盤モデルのターゲットの微調整、トレーニングフェーズ中のデータ分布の故意シミュレーション、ユニークなペアワイズトレーニングプロセスである。
具体的には、検証とテストセットからの分布をよりよく適合させるために、歪みと大きさのシミュレーションを導入する。
視覚基盤モデルの強力な視覚表現能力に基づいて、AIGI検出を実現するためにモデルを微調整する。
ペアワイズトレーニングは、一般化とロバストネス最適化を分離することで検出を改善するために使用される。
NTIRE Robust AI-Generated Image Detection in the Wild Challengeにおいて,我々のアプローチが3番目の位置を確保したことを示す実験結果が得られた。
関連論文リスト
- Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている
既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。
トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
論文 参考訳（メタデータ） (2026-01-25T07:09:20Z) - Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation [61.248535801314375]
Subset-Selected Counterfactual Augmentation (SS-CA)
我々は,モデル予測を選択的に変更可能な最小空間領域集合を識別するために,対実的LIMAを開発した。
実験により,SS-CAは分布内テストデータ(ID)の一般化を改善し,分布外ベンチマーク(OOD)において優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-11-15T08:39:22Z) - LAID: Lightweight AI-Generated Image Detection in Spatial and Spectral Domains [6.676901499867856]
現在の最先端AIGI検出方法は、大規模で深いニューラルネットワークアーキテクチャに依存している。
我々は、市販軽量ニューラルネットワークの検知性能と効率をベンチマークし、評価する最初のフレームワークであるLAIDを紹介する。
本研究は, 競合条件下であっても, 軽量モデルが競合精度を達成できることを実証する。
論文 参考訳（メタデータ） (2025-07-07T16:18:19Z) - 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) - Addressing Vulnerabilities in AI-Image Detection: Challenges and Proposed Solutions [0.0]
本研究では,AI生成画像の検出における畳み込みニューラルネットワーク(CNN)とDenseNetアーキテクチャの有効性を評価する。
本稿では,ガウスのぼかしやテキスト変更,ローランド適応(LoRA)などの更新や修正が検出精度に与える影響を解析する。
この発見は、現在の検出方法の脆弱性を強調し、AI画像検出システムの堅牢性と信頼性を高めるための戦略を提案する。
論文 参考訳（メタデータ） (2024-11-26T06:35:26Z) - Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。
潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。
主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
論文 参考訳（メタデータ） (2024-11-23T19:10:32Z) - 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) - On-the-Fly Guidance Training for Medical Image Registration [14.309599960641242]
本研究は,既存の学習ベース画像登録モデルを改善するための新しいトレーニングフレームワークであるOn-the-Fly Guidance(OFG)を紹介する。
本手法では,ラベル付きデータを必要としない登録モデルをトレーニングするための教師付き手法を提案する。
提案手法は,複数のベンチマークデータセットおよび先行モデルでテストされ,性能が大幅に向上した。
論文 参考訳（メタデータ） (2023-08-29T11:12:53Z)
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。