論文の概要: IncreFA: Breaking the Static Wall of Generative Model Attribution

• arxiv url: http://arxiv.org/abs/2604.17736v2
• Date: Tue, 21 Apr 2026 07:54:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 14:04:47.927826
• Title: IncreFA: Breaking the Static Wall of Generative Model Attribution
• Title（参考訳）: IncreFA: 生成モデル属性の静的壁を壊す
• Authors: Haotian Qin, Dongliang Chang, Yueying Gao, Yuexuan Tan, Lei Chen, Zhanyu Ma,
• Abstract要約: IncreFAは、構造化された漸進的な学習問題として属性を再定義するフレームワークである。 生成的アーキテクチャ間の階層的関係を利用して、それらを継続的な適応と結合する。 時間的に順序付けられたオープンセットプロトコルの下で、最先端の属性精度と98.93%の未確認検出を実現する。
• 参考スコア（独自算出の注目度）: 32.705532220167505
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: As AI generative models evolve at unprecedented speed, image attribution has become a moving target. New diffusion, adversarial and autoregressive generators appear almost monthly, making existing watermark, classifier and inversion methods obsolete upon release. The core problem lies not in model recognition, but in the inability to adapt attribution itself. We introduce IncreFA, a framework that redefines attribution as a structured incremental learning problem, allowing the system to learn continuously as new generative models emerge. IncreFA departs from conventional incremental learning by exploiting the hierarchical relationships among generative architectures and coupling them with continual adaptation. It integrates two mutually reinforcing mechanisms: (1) Hierarchical Constraints, which encode architectural hierarchies through learnable orthogonal priors to disentangle family-level invariants from model-specific idiosyncrasies; and (2) a Latent Memory Bank, which replays compact latent exemplars and mixes them to generate pseudo-unseen samples, stabilising representation drift and enhancing open-set awareness. On the newly constructed Incremental Attribution Benchmark (IABench) covering 28 generative models released between 2022 and 2025, IncreFA achieves state-of-the-art attribution accuracy and 98.93% unseen detection under a temporally ordered open-set protocol. Code will be available at https://github.com/Ant0ny44/IncreFA.
• Abstract（参考訳）: AI生成モデルが前例のない速度で進化するにつれ、画像の帰属が移動ターゲットになりつつある。 新しい拡散、敵対的、自己回帰的ジェネレータはほぼ毎月出現し、既存の透かし、分類器および逆転法はリリース時に時代遅れとなる。 中心的な問題は、モデル認識ではなく、帰属そのものを適応できないことである。 我々は,帰属を構造化された漸進的学習問題として再定義するフレームワークであるIncreFAを導入し,新たな生成モデルが出現するにつれて,システムが継続的に学習できるようにする。 IncreFAは、生成的アーキテクチャ間の階層的関係を利用して、それらを継続的な適応と結合することによって、従来の漸進的な学習から脱却する。 階層的制約(hierarchical Constraints)とは,(1)学習可能な直交前の階層構造を符号化し,モデル固有の慣用句から家族レベルの不変性を解き放つための階層的制約,(2)コンパクトな潜在例を再生して混在させて擬似未確認サンプルを生成する潜時記憶銀行(Latent Memory Bank)である。 2022年から2025年の間にリリースされた28の生成モデルをカバーする新たに構築されたIncrmental Attribution Benchmark (IABench)では、IncrFAは、時間的に順序付けられたオープンセットプロトコルの下で、最先端の属性精度と98.93%の未確認検出を実現している。 コードはhttps://github.com/Ant0ny44/IncreFAで入手できる。

関連論文リスト

• Geometric Autoencoder for Diffusion Models [16.699694260098948]
  遅延拡散モデルは、高解像度の視覚生成において新しい最先端技術を確立した。 本稿では,意味的識別性,忠実性,コンパクト性を統一する原理的フレームワークであるGeometric Autoencoder (GAE)を提案する。 GAEはImageNet-1Kの256倍の256$ベンチマークで、80 epochsで1.82gFID、800 epochsで1.31gFIDに達した。
  論文  参考訳（メタデータ） (2026-03-11T03:29:16Z)
• UniX: Unifying Autoregression and Diffusion for Chest X-Ray Understanding and Generation [98.93314262366681]
  胸部X線理解・生成のための次世代統合医療基盤モデルUniXについて述べる。 UniXは2つのタスクを、理解のための自己回帰分岐と高忠実度生成のための拡散分岐に分離する。 2つの代表的なベンチマークでは、Unixは46.1%の性能向上と24.2%の世代品質向上を実現している。
  論文  参考訳（メタデータ） (2026-01-16T18:59:58Z)
• One Layer Is Enough: Adapting Pretrained Visual Encoders for Image Generation [33.56782043207013]
  Feature Auto-Encoder (FAE) は、学習済みの視覚表現を、単一の注意層としてほとんど使用せずに生成に適した低次元の潜伏子に適応させる。 FAEはクラス条件とテキスト・ツー・イメージのベンチマークで高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-08T18:57:26Z)
• Bidirectional Representations Augmented Autoregressive Biological Sequence Generation:Application in De Novo Peptide Sequencing [51.12821379640881]
  自己回帰(AR)モデルは、全体的な双方向表現を提供するが、生成的コヒーレンスとスケーラビリティに関する課題に直面している。 非自己回帰機構からリッチなコンテキスト情報を動的に統合することにより、AR生成を向上するハイブリッドフレームワークを提案する。 新しいクロスデコーダアテンションモジュールにより、ARデコーダは、これらの双方向機能を反復的にクエリし、統合することができる。
  論文  参考訳（メタデータ） (2025-10-09T12:52:55Z)
• IAR2: Improving Autoregressive Visual Generation with Semantic-Detail Associated Token Prediction [77.06211178777939]
  IAR2は、階層的なセマンティックディーテール合成プロセスを可能にする高度な自己回帰フレームワークである。 我々は、IAR2が自動回帰画像生成のための新しい最先端技術を設定し、ImageNet上で1.50のFIDを達成することを示す。
  論文  参考訳（メタデータ） (2025-10-08T12:08:21Z)
• MASC: Boosting Autoregressive Image Generation with a Manifold-Aligned Semantic Clustering [7.928163920344391]
  本稿では,コードブックの本質的な構造から階層的な意味木を直接構築する原理的フレームワークを提案する。 MASCはプラグアンドプレイモジュールとして設計されており,本実験の有効性を検証した。 トレーニングを最大57%加速し、生成品質を大幅に改善し、LlamaGen-XLのFIDを2.87から2.58に削減した。
  論文  参考訳（メタデータ） (2025-10-05T14:23:51Z)
• Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
  マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。 我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
  論文  参考訳（メタデータ） (2025-09-03T18:05:02Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)

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。