論文の概要: Automated In-the-Wild Data Collection for Continual AI Generated Image Detection

• arxiv url: http://arxiv.org/abs/2605.02567v1
• Date: Mon, 04 May 2026 13:19:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.297529
• Title: Automated In-the-Wild Data Collection for Continual AI Generated Image Detection
• Title（参考訳）: 連続AI生成画像検出のためのWild内自動データ収集
• Authors: Thanasis Pantsios, Dimitrios Karageorgiou, Christos Koutlis, George Karantaidis, Olga Papadopoulou, Symeon Papadopoulos,
• Abstract要約: 進化する環境における検出器を更新するためのデータ中心型連続適応フレームワークを提案する。 そこで本研究では,検出器の適応には,電線内データとジェネレータ駆動データの両方が不可欠であることを示す。 2つの最先端検出器の実験では、平均精度は+9.14%と+8%で大幅に改善された。
• 参考スコア（独自算出の注目度）: 14.171896272558142
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid advancement of generative Artificial Intelligence (AI) has introduced significant challenges for reliable AI-generated image detection. Existing detectors often suffer from performance degradation under distribution shifts and when encountering newly emerging generative models. In this work, we propose a data-centric continual adaptation framework for updating detectors in evolving environments. We show that both in-the-wild data and generator-driven data are essential for adapting detectors. We introduce an automated, weakly supervised pipeline for constructing in-the-wild datasets through fact-check article retrieval. Additionally, we demonstrate that incorporating even a small amount of generator-driven data during training enables effective adaptation to newly emerging models, while combining it with in-the-wild data within a continual learning framework enables robust adaptation and mitigates catastrophic forgetting. Extensive experiments on two state-of-the-art detectors show significant improvements of +9.14% and +8% in average accuracy, respectively.
• Abstract（参考訳）: 生成人工知能(AI)の急速な進歩は、信頼できるAI生成画像検出に重大な課題をもたらした。 既存の検出器は、分散シフトや新しい生成モデルに遭遇する際に、しばしば性能劣化に悩まされる。 本研究では,進化する環境における検出器を更新するためのデータ中心型連続適応フレームワークを提案する。 そこで本研究では,検出器の適応には,電線内データとジェネレータ駆動データの両方が不可欠であることを示す。 ファクトチェック記事検索により、Wild内のデータセットを構築するための、自動化された弱教師付きパイプラインを導入する。 さらに、トレーニング中に少量のジェネレータ駆動データも組み込むことで、新たなモデルに効果的に適応できることを実証し、連続的な学習フレームワーク内のウィジェット内データと組み合わせることで、ロバストな適応を可能にし、破滅的な忘れを軽減できることを示した。 2つの最先端検出器に対する大規模な実験は、それぞれ平均精度で+9.14%と+8%の大幅な改善を示した。

関連論文リスト

• Reinforcement-Guided Synthetic Data Generation for Privacy-Sensitive Identity Recognition [60.52810518437911]
  高忠実度生成モデルは、プライバシーに敏感なシナリオでますます必要とされている。 限られたデータによって生成モデルは貧弱になり、データ不足を軽減できない。 汎用ドメイン生成の先行を識別タスクに適応させる,強化誘導型合成データ生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-09T06:52:03Z)
• Ranking-Enhanced Anomaly Detection Using Active Learning-Assisted Attention Adversarial Dual AutoEncoders [2.66360535985053]
  Advanced Persistent Threats(APT)は、そのステルス性と長期的な性質から、サイバーセキュリティにおいて重要な課題となっている。 現代の教師付き学習手法は、しばしば現実世界のサイバーセキュリティ環境において不足する広範囲なラベル付きデータを必要とする。 本稿では,教師なし異常検出にAutoEncodersを活用する革新的な手法を提案する。
  論文  参考訳（メタデータ） (2025-11-25T16:42:12Z)
• Automated Image Recognition Framework [14.338537127280402]
  本稿では,生成AIの能力を活用した新しい自動画像認識フレームワークを提案する。 AIRはエンドユーザに高品質で事前アノテーション付きデータセットを合成する権限を与えます。 また、生成されたデータセットのディープラーニングモデルを、堅牢な画像認識性能で自動的にトレーニングする。
  論文  参考訳（メタデータ） (2025-06-24T02:42:34Z)
• AI-GenBench: A New Ongoing Benchmark for AI-Generated Image Detection [9.540547388707987]
  Ai-GenBenchは、現実のシナリオにおけるAI生成イメージの堅牢な検出の必要性に対処するために設計された、新しいベンチマークである。 Ai-GenBenchは、明確な評価ルールと制御された拡張戦略を確立することにより、検出方法とスケーラブルなソリューションの有意義な比較を可能にする。
  論文  参考訳（メタデータ） (2025-04-29T15:41:13Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Improving Variational Autoencoder based Out-of-Distribution Detection for Embedded Real-time Applications [2.9327503320877457]
  アウト・オブ・ディストリビューション(OD)検出は、リアルタイムにアウト・オブ・ディストリビューションを検出するという課題に対処する新しいアプローチである。 本稿では,自律走行エージェントの周囲の有害な動きを頑健に検出する方法について述べる。 提案手法は,OoD因子の検出能力を一意に改善し,最先端手法よりも42%向上した。 また,本モデルでは,実験した実世界およびシミュレーション駆動データに対して,最先端技術よりも97%の精度でほぼ完璧に一般化した。
  論文  参考訳（メタデータ） (2021-07-25T07:52:53Z)

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。