論文の概要: HiMix: Hierarchical Artifact-aware Mixup for Generalized Synthetic Image Detection

• arxiv url: http://arxiv.org/abs/2604.27903v1
• Date: Thu, 30 Apr 2026 14:12:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.130023
• Title: HiMix: Hierarchical Artifact-aware Mixup for Generalized Synthetic Image Detection
• Title（参考訳）: HiMix: 汎用合成画像検出のための階層的アーチファクト認識ミックスアップ
• Authors: Shuchang Zhou, Kaiwen Shen, Jiwei Wei, Yuyang Zhou, Peng Wang, Yang Yang,
• Abstract要約: HiMixは、トレーニングディストリビューションを拡張し、アーティファクト対応表現を促進することで、一般化を促進する統一フレームワークである。 HiMixは最先端のパフォーマンスを実現し、未確認の偽造物への一般化を改善するために、適切に分離されたロジットを確立する。
• 参考スコア（独自算出の注目度）: 18.553551181447435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid evolution of generative models has enabled the creation of highly realistic and diverse synthetic images, posing significant challenges to reliable and generalizable Synthetic Image Detection (SID). However, existing detectors are typically trained on limited and biased datasets, resulting in poor generalization to unseen generators. To address this issue, we propose HiMix, a unified framework that enhances generalization by expanding the training distribution and promoting artifact-aware representations. Specifically, the Mixup-driven Distributional Augmentation (MDA) module constructs continuous transitional samples between real and fake images, improving coverage of low-confidence regions and exposing the model to more challenging samples, while the pixel-wise mixup operation smoothly perturbs semantics to enhance sensitivity to low-level artifacts. Moreover, the Hierarchical Artifact-aware Representation (HAR) module aggregates artifact information from both global and local levels through cross-layer integration and coarse-to-fine feature fusion, enabling the extraction of discriminative forgery representations under diverse distributions. Extensive experiments across multiple benchmarks demonstrate that HiMix achieves state-of-the-art performance, establishing well-separated logits for improved generalization to unseen forgeries.
• Abstract（参考訳）: 生成モデルの急速な進化により、高度に現実的で多様な合成画像の作成が可能となり、信頼性と一般化可能な合成画像検出(SID)に大きな課題が生じた。 しかし、既存の検出器は通常、制限された偏りのあるデータセットで訓練されており、その結果、目に見えないジェネレータへの一般化は不十分である。 この問題に対処するために、トレーニング分布を拡張し、アーティファクト認識表現を促進することで一般化を促進する統合フレームワークHiMixを提案する。 具体的には、MDA(Mixup-driven Distributional Augmentation)モジュールは、実画像と偽画像間の連続的な遷移サンプルを構築し、低信頼領域のカバレッジを改善し、より困難なサンプルにモデルを公開する。 さらに階層的アーティファクト認識表現(HAR)モジュールは,多層統合と粗大な特徴融合を通じて,グローバルレベルとローカルレベルのアーティファクト情報を集約し,多様な分布下での識別的偽造表現の抽出を可能にする。 複数のベンチマークにわたる大規模な実験により、HiMixは最先端のパフォーマンスを達成し、よく区切られたロジットを確立し、見当たらない偽造物への一般化を改善した。

関連論文リスト

• Multi-Feature Fusion Approach for Generative AI Images Detection [3.16770435670322]
  3つの異なる空間からの相補的手がかりを組み合わせた多機能融合フレームワークを検討・評価する。 個々の特徴空間は、異なるジェネレータ間で大きな性能変動を示すことを示す。 最先端の手法と比較して、提案するフレームワークは、評価されたすべてのデータセットに対して一貫してパフォーマンスを向上する。
  論文  参考訳（メタデータ） (2026-03-31T14:25:10Z)
• API: Empowering Generalizable Real-World Image Dehazing via Adaptive Patch Importance Learning [12.516890497421203]
  本稿では,現実のデハジングを一般化するための新しいアダプティブ・パッチ・コンパタンス・アウェア(API)フレームワークを提案する。 具体的には,自動ヘイズ生成(AHG)モジュールと密度認識ヘイズ除去(DHR)モジュールから構成される。 さらに,デハズド画像の曖昧さを軽減するために,MNCD(Multi-Negative Contrastive Dehazing)を新たに導入する。
  論文  参考訳（メタデータ） (2026-01-05T10:53:41Z)
• Beyond Artifacts: Real-Centric Envelope Modeling for Reliable AI-Generated Image Detection [29.26836532055224]
  既存の検出器は、しばしば発電機固有のアーティファクトに過度に適合し、現実世界の劣化に敏感である。 実画像のロバストな分布をモデル化する手法として,Real-centric Envelope Modeling (REM)を提案する。 REMは最先端の手法よりも平均7.5%向上し、特に高度に劣化したRealChainベンチマークにおける例外的な一般化を維持している。
  論文  参考訳（メタデータ） (2025-12-24T04:41:04Z)
• HFMF: Hierarchical Fusion Meets Multi-Stream Models for Deepfake Detection [4.908389661988192]
  HFMFは総合的な2段階のディープフェイク検出フレームワークである。 視覚変換器と畳み込みネットを階層的特徴融合機構を通じて統合する。 私たちのアーキテクチャは、多様なデータセットベンチマークで優れたパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2025-01-10T00:20:29Z)
• LayerMix: Enhanced Data Augmentation through Fractal Integration for Robust Deep Learning [1.786053901581251]
  ディープラーニングモデルは、アウト・オブ・ディストリビューション(OOD)のサンプルに直面すると、一貫したパフォーマンスを維持するのに苦労することが多い。 モデルロバスト性を体系的に強化する革新的なデータ拡張アプローチであるLayerMixを紹介する。 本手法は,ニューラルネットワークの一般化能力を大幅に向上させる意味論的一貫した合成サンプルを生成する。
  論文  参考訳（メタデータ） (2025-01-08T22:22:44Z)
• Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
  我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。 この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
  論文  参考訳（メタデータ） (2023-12-16T14:27:06Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)

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。