論文の概要: Fractal Characterization of Low-Correlation Signals in AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2604.17268v1
• Date: Sun, 19 Apr 2026 05:55:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.427188
• Title: Fractal Characterization of Low-Correlation Signals in AI-Generated Image Detection
• Title（参考訳）: AI生成画像検出における低相関信号のフラクタル特性
• Authors: Wenwei Xie, Jie Yin, Lu Ma, Xuansong Zhang, Wenjing Zhang,
• Abstract要約: 既存のディープフェイク検出手法は、オープンワールドシナリオにおいて限られた堅牢性を示すことが多い。 本稿では,信号レベルから見た合成画像と認証画像の固有の相違について検討する。 フラクタル理論に基づいてこれらの信号を定量化する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 5.477601601255454
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: AI-generated imagery has reached near-photorealistic fidelity, yet this technology poses significant threats to information security and societal trust. Existing deepfake detection methods often exhibit limited robustness in open-world scenarios. To address this limitation, this paper investigates intrinsic discrepancies between synthetic and authentic images from a signal-level perspective. Our analysis reveals that low-correlation signals serve as distinctive markers for differentiating AI-generated imagery from real photographs. Building on this insight, we introduce a novel method for quantifying these signals based on fractal theory. By analyzing the fractal characteristics of low-correlation signals, our method effectively captures the subtle statistical anomalies inherent to the synthesis process. Extensive experimental results demonstrate the method's robustness and superior detection performance. This work emphasizes the need to shift research focus to a new signal-level direction for deepfake detection. Theoretically, this proposed approach is not limited to face image identification but can be applied to all AI-generated image detection tasks. This study provides a new research direction for deepfake detection.
• Abstract（参考訳）: AIが生成した画像は、ほぼフォトリアリスティックな忠実度に達したが、この技術は情報セキュリティと社会的信頼に重大な脅威をもたらす。 既存のディープフェイク検出手法は、オープンワールドシナリオにおいて限られた堅牢性を示すことが多い。 この限界に対処するために,信号レベルの観点から合成画像と認証画像の固有の相違について検討する。 我々の分析によると、低相関信号は、実際の写真とAI生成画像の区別のための特徴的マーカーであることがわかった。 この知見に基づいて,フラクタル理論に基づくこれらの信号の定量化手法を提案する。 低相関信号のフラクタル特性を解析することにより,合成過程に固有の微妙な統計的異常を効果的に捉えることができる。 実験結果から, 本手法の堅牢性と優れた検出性能が示された。 この研究は、ディープフェイク検出のための新しい信号レベル方向の研究焦点をシフトする必要性を強調している。 理論的には、提案手法は顔画像識別に限らず、すべてのAI生成画像検出タスクに適用できる。 本研究はディープフェイク検出のための新しい研究方向を提供する。

関連論文リスト

• RAID: A Dataset for Testing the Adversarial Robustness of AI-Generated Image Detectors [57.81012948133832]
  本稿では,72kの多種多様かつ高い変換可能な対向例からなるRAID(Robust Evaluation of AI- generated Image Detectors)を提案する。 提案手法は,未知の検出器に高い成功率で転送する逆画像を生成する。 以上の結果から,現在最先端のAI生成画像検出器は,敵の例によって容易に認識できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-04T14:16:00Z)
• Explainable Synthetic Image Detection through Diffusion Timestep Ensembling [30.298198387824275]
  本稿では,複数の雑音の時間ステップでアンサンブルを訓練することにより,中間雑音画像の特徴を直接活用する合成画像検出手法を提案する。 人間の理解を深めるために,メートル法に基づく説明文生成と改良モジュールを導入する。 本手法は, 正解率98.91%, 正解率95.89%, 正解率95.89%, 正解率98.91%, 正解率95.89%である。
  論文  参考訳（メタデータ） (2025-03-08T13:04:20Z)
• 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)
• Natias: Neuron Attribution based Transferable Image Adversarial Steganography [62.906821876314275]
  逆行性ステガナグラフィーは、ディープラーニングに基づくステガナリシスを効果的に欺く能力から、かなりの注目を集めている。 そこで我々は,Natias という新たな逆向きステガノグラフィー手法を提案する。 提案手法は既存の逆向きステガノグラフィーフレームワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-09-08T04:09:51Z)
• 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)
• Research on Splicing Image Detection Algorithms Based on Natural Image Statistical Characteristics [12.315852697312195]
  本稿では,自然画像の統計的特徴に基づく新しいスプライシング画像検出アルゴリズムを提案する。 従来の手法の限界を解析することにより,高度な統計解析手法と機械学習手法を統合した検出フレームワークを開発した。 このアルゴリズムは、複数の公開データセットを用いて検証され、スプライシングエッジの検出と、改ざんされた領域の特定に高い精度を示す。
  論文  参考訳（メタデータ） (2024-04-25T02:28:16Z)
• Diffusion Facial Forgery Detection [56.69763252655695]
  本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。 人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。 その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
  論文  参考訳（メタデータ） (2024-01-29T03:20:19Z)
• A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
  本稿では,DAF(Disdisrepancy Aware Framework)を提案する。 本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。 単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
  論文  参考訳（メタデータ） (2023-10-11T15:21:40Z)
• Fighting deepfakes by detecting GAN DCT anomalies [0.0]
  最先端アルゴリズムはディープニューラルネットワークを使って偽のコンテンツを検出する。 ディープフェイク画像の高精度判別が可能な新しい高速検出法を提案する。 この手法は革新的であり、最先端技術を超え、説明可能性の観点から多くの洞察を与えている。
  論文  参考訳（メタデータ） (2021-01-24T19:45:11Z)

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。