論文の概要: Intermediate Representations are Strong AI-Generated Image Detectors
- arxiv url: http://arxiv.org/abs/2605.04358v1
- Date: Tue, 05 May 2026 23:26:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.579455
- Title: Intermediate Representations are Strong AI-Generated Image Detectors
- Title（参考訳）: 中間表現は強いAI生成画像検出器である
- Authors: Zhenhan Huang, Pin-Yu Chen, Tejaswini Pedapati, Jianxi Gao,
- Abstract要約: 中間層にデータ感度を埋め込んでAI生成画像を検出する検索手法を提案する。
提案手法は, 実画像とAI生成画像の集合を考慮し, 原画像の埋め込みと摂動画像の埋め込みの類似性を調べ, 類似性に基づいてAI生成画像を検出する。
本手法は,Forensics Smallベンチマークにおいて,AUROCスコアの最良のトレーニングベース手法と比較して39.61%向上し,5.14%向上した。
- 参考スコア（独自算出の注目度）: 51.7378156094049
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid advancement in generative AI models has enabled the creation of photorealistic images. At the same time, there are growing concerns about the potential misuse and dangers of generated content, as well as a pressing need for effective AI-generated image detectors. However, current training-based detection techniques are typically computationally costly and can hardly be generalized to unseen data domains, while training-free methods fall short in detection performance. To bridge this gap, we propose a search-based method employing data embedding sensitivity in intermediate layers to detect AI-generated images. Given a set of real and AI-generated images, our method examines the similarity between original image embeddings and perturbed image embeddings, and detects AI-generated images based on the similarity. We examine the proposed method on two comprehensive benchmarks: GenImage and Forensics Small. Our method exhibits improved performance across different datasets compared to both training-free and training-based state-of-the-art methods. On average, our method achieves the largest performance gain on the Forensics Small benchmark by 39.61% compared to the best training-free method and 5.14% compared to the best training-based method in AUROC score.
- Abstract（参考訳）: 生成AIモデルの急速な進歩により、フォトリアリスティック画像の作成が可能になった。
同時に、生成されたコンテンツの潜在的な誤用や危険性に対する懸念が高まり、効果的なAI生成画像検出器の必要性が高まっている。
しかし、現在のトレーニングベースの検出技術は一般的に計算コストがかかり、未知のデータドメインに一般化することは困難である。
このギャップを埋めるため,中間層にデータ埋め込み感度を用いてAI生成画像を検出する検索手法を提案する。
提案手法は, 実画像とAI生成画像の集合を考慮し, 原画像の埋め込みと摂動画像の埋め込みの類似性を調べ, 類似性に基づいてAI生成画像を検出する。
提案手法をGenImageとForensics Smallの2つの総合的なベンチマークで検討した。
本手法は, トレーニングフリー, トレーニングベース両手法と比較して, 異なるデータセット間での性能向上を図っている。
本手法は,Forensics Smallベンチマークにおいて,AUROCスコアの最良のトレーニングベース手法と比較して39.61%向上し,5.14%向上した。
関連論文リスト
- Boosting Robust AIGI Detection with LoRA-based Pairwise Training [55.076681464804636]
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。
論文 参考訳（メタデータ） (2026-04-14T05:35:32Z) - Efficient Zero-Shot AI-Generated Image Detection [2.915868985330569]
本稿では、構造化周波数に対する表現感度を測定する訓練不要なAI生成画像検出手法を提案する。
提案手法は,入力画像に対して1つのフーリエ変換のみを必要とするため,計算的に軽量である。
挑戦的ベンチマークに関する大規模な実験は、我々の方法が最先端(SoTA)に対して有効であることを実証している。
論文 参考訳（メタデータ） (2026-03-23T06:33:20Z) - Detecting AI-Generated Images via Distributional Deviations from Real Images [6.615773227400183]
ファインチューニング中に生成モデル固有のパターンを含むテクスチャ領域をマスクするテクスチャ・アウェア・マスキング(TAM)機構を導入する。
我々の手法は最小限の画像しか調整されず、既存の手法よりも大幅に優れており、2つのデータセットの平均精度は98.2%と94.6%に達する。
論文 参考訳（メタデータ） (2026-01-07T05:00:13Z) - 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) - SAGI: Semantically Aligned and Uncertainty Guided AI Image Inpainting [11.216906046169683]
SAGI-DはAIが生成する塗り絵の最大かつ最も多様なデータセットである。
実験の結果,セマンティックアライメントは画像の品質と美学を著しく改善することがわかった。
SAGI-Dを使っていくつかの画像法医学的アプローチを訓練すると、ドメイン内の検出性能は平均37.4%向上する。
論文 参考訳（メタデータ） (2025-02-10T15:56:28Z) - Epistemic Uncertainty for Generated Image Detection [107.62647907393377]
本稿では,創成モデルの時代において重要なセキュリティ問題に対処することを目的とした,てんかん不確実性によるAI生成画像検出のための新しいフレームワークを提案する。
我々の重要な洞察は、トレーニングとテストデータの分布の相違が、機械学習モデルのエピステマティック不確実性空間に顕著に現れていることに起因している。
論文 参考訳（メタデータ） (2024-12-08T11:32:25Z) - 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) - Improving Interpretability and Robustness for the Detection of AI-Generated Images [6.116075037154215]
凍結したCLIP埋め込みに基づいて、既存の最先端AIGI検出手法を解析する。
さまざまなAIジェネレータが生成する画像が実際の画像とどのように異なるかを示す。
論文 参考訳（メタデータ） (2024-06-21T10:33:09Z) - 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)
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。