論文の概要: LEGO: LoRA-Enabled Generator-Oriented Framework for Synthetic Image Detection
- arxiv url: http://arxiv.org/abs/2605.04445v1
- Date: Wed, 06 May 2026 03:21:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.62027
- Title: LEGO: LoRA-Enabled Generator-Oriented Framework for Synthetic Image Detection
- Title（参考訳）: LEGO: 合成画像検出のためのLoRA対応ジェネレータ指向フレームワーク
- Abstract要約: 既存のメソッドは主に、複数のジェネレータ間で共有される普遍的なアーティファクト機能に依存しています。
この課題に対処するためにLEGO(LoRA-Enabled Generator-Oriented Framework)を提案する。
LEGOは、複数のLoRAブロックを変調するために一般化を採用し、それぞれが特定のジェネレータのユニークなアーティファクトをキャプチャするために事前訓練された。
- 参考スコア（独自算出の注目度）: 15.932106323813912
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid advancement of generative technologies has made synthetic images nearly indistinguishable from real ones, thereby creating an urgent need for robust detectors to counter misinformation. However, existing methods mainly rely on universal artifact features that are shared across multiple generators. We observe that as the diversity of generators increases, the overlap of these common features gradually decreases. This severely undermines model generalization. In contrast, focusing only on unique artifacts tends to cause overfitting to specific forgery patterns. To address this challenge, we propose LEGO (LoRA-Enabled Generator-Oriented Framework). The core mechanism of LEGO employs an MLP to modulate multiple LoRA (Low-Rank Adaptation) blocks, each pretrained to capture the unique artifacts of a specific generator, followed by attention-based feature fusion. Unlike conventional methods that seek a single universal solution, LEGO delegates unique artifact extraction to specialized LoRA modules by dividing its training procedure into two stages. Each LoRA module is individually trained on a single-generator dataset to learn generator-specific representations, then MLP and attention layers are trained on mixed datasets to dynamically regulate the contribution of each module. Benefiting from its modular yet robust design, LEGO can be naturally extended by incorporating new LoRA modules for adaptation to newly emerging next-generation datasets, while still achieving substantially better performance than prior SOTA methods with fewer than 30,000 training images, less than 10% of their training data, and only 5 epochs in each training stage.
- Abstract（参考訳）: 生成技術の急速な進歩により、合成画像は実物とほとんど区別がつかなくなったため、誤報に対処するための堅牢な検出器が緊急に必要になった。
しかし、既存のメソッドは主に複数のジェネレータ間で共有される普遍的なアーティファクト機能に依存している。
発電機の多様性が増すにつれて、これらの共通特徴の重複が徐々に減少していくのを観察する。
これはモデル一般化を著しく損なう。
対照的に、ユニークなアーティファクトのみに焦点を当てると、特定の偽造パターンに過度に適合する傾向がある。
この課題に対処するため、LEGO(LoRA-Enabled Generator-Oriented Framework)を提案する。
LEGOの中核となるメカニズムは、複数のLORA(Low-Rank Adaptation)ブロックを変調するためにMPPを使用しており、それぞれが特定のジェネレータのユニークなアーティファクトをキャプチャするために事前訓練され、次に注意に基づく特徴融合が続く。
単一の普遍解を求める従来の方法とは異なり、LEGOは訓練手順を2段階に分割することで、特殊なLoRAモジュールに固有のアーティファクト抽出を委譲する。
各LoRAモジュールは、ジェネレータ固有の表現を学ぶために、単一のジェネレータデータセットで個別にトレーニングされ、MLPとアテンションレイヤは混合データセットでトレーニングされ、各モジュールのコントリビューションを動的に制御する。
モジュラーで堅牢な設計から恩恵を受けながら、LEGOは新たな次世代データセットに適応するための新しいLoRAモジュールを組み込むことで、自然に拡張することができる。
関連論文リスト
- CollectionLoRA: Collecting 50 Effects in 1 LoRA via Multi-Teacher On-Policy Distillation [24.705092676391477]
CollectionLoRAは、エフェクトと数ステップ生成を単一のLoRAに蒸留するフレームワークである。
独立して訓練された教師モデルに匹敵する、あるいは優れた概念の忠実性を達成しながら、デプロイメントのオーバーヘッドを低減する。
論文 参考訳（メタデータ） (2026-05-25T03:07:01Z) - AutoLoRA: Automatic LoRA Retrieval and Fine-Grained Gated Fusion for Text-to-Image Generation [32.46570968627392]
低ランク適応(LoRA)は、最小パラメータオーバーヘッドでモデルのカスタマイズを可能にする効果を実証している。
意味駆動型LoRA検索と動的アグリゲーションを可能にする新しいフレームワークを提案する。
提案手法は画像生成のパーフェマンスを大幅に改善する。
論文 参考訳（メタデータ） (2025-08-04T06:36:00Z) - MultLFG: Training-free Multi-LoRA composition using Frequency-domain Guidance [44.4839416120775]
MultLFGは、トレーニング不要なマルチLORA合成のためのフレームワークである。
複数のLoRAの適応的な融合を実現するために周波数領域誘導を使用する。
様々なスタイルやコンセプトセットにまたがって、作曲の忠実さと画質を大幅に向上させる。
論文 参考訳（メタデータ） (2025-05-26T21:05:28Z) - Each Rank Could be an Expert: Single-Ranked Mixture of Experts LoRA for Multi-Task Learning [53.053604713064544]
Low-Rank Adaptation (LoRA)は、その効率性とモジュール性から、大きな言語モデル(LLM)を特定のドメインに適用するために広く使われている。
最近の研究は、各LoRAモジュールを専門家として扱い、複数の特殊なLoRAモジュールによるタスク干渉を軽減することで、Mixture of Experts (MoE)を採用している。
効果はあるものの、これらの手法は個々のタスク内の知識を分離することが多く、関連するタスク間で共有された知識を完全に活用することができない。
各ランクをテキスト処理することでMoEをLoRAに埋め込むシングルランク専門家LoRA(textbfSMoRA)を提案する。
論文 参考訳（メタデータ） (2025-01-25T06:56:39Z) - Unlocking Tuning-Free Few-Shot Adaptability in Visual Foundation Models by Recycling Pre-Tuned LoRAs [76.40876036912537]
大規模言語モデル(LLM)は、微調整を必要とせず、強力な少数ショット適応性を示す。
現在のVisual Foundation Models (VFM) は十分なチューニングデータを持つ明示的な微調整を必要とする。
そこで我々は, メタ学習目的の多様なLoRAからメタLoRAを蒸留するフレームワークであるLoRA Recycleを提案する。
論文 参考訳（メタデータ） (2024-12-03T07:25:30Z) - LoRA-IR: Taming Low-Rank Experts for Efficient All-in-One Image Restoration [62.3751291442432]
高速なオールインワン画像復元を実現するために,コンパクトな低ランクの専門家を動的に活用する,フレキシブルなフレームワークであるLoRA-IRを提案する。
LoRA-IRは、劣化誘導前訓練とパラメータ効率の良い微調整の2つの訓練段階で構成されている。
実験により、LoRA-IRは計算効率を維持しつつ、14のIRタスクと29のベンチマークでSOTA性能を達成することが示された。
論文 参考訳（メタデータ） (2024-10-20T13:00:24Z) - Merging LoRAs like Playing LEGO: Pushing the Modularity of LoRA to Extremes Through Rank-Wise Clustering [35.54018186415654]
Low-Rank Adaptation (LoRA) は、様々なドメインに最適化された大規模言語モデル(LLM)の一般的なテクニックとして登場した。
LoRA合成の既存の方法は、主に追加の訓練を必要とするタスク固有の適応に焦点を当てている。
本稿では,LoRAにおける各ランクに対応するパラメータが独立単位として機能する最小意味単位(MSU)の概念を紹介する。
我々は、異なるLoRAから$k$のクラスタにMSUをグループ化することで、ランクワイズパラメータクラスタリングを行うLoRA-LEGOフレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-24T15:08:41Z) - Retrieval-Augmented Mixture of LoRA Experts for Uploadable Machine Learning [57.36978335727009]
Low-Rank Adaptation (LoRA)は、大規模言語モデル(LLM)を微調整する効率的な方法を提供する。
本稿では,入力プロンプトに基づいて複数のLoRAを適応的に検索・構成するフレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-24T05:24:41Z) - Mixture of LoRA Experts [87.50120181861362]
本稿では,階層的制御と未分散分岐選択を利用する LoRA Experts (MoLE) アプローチを提案する。
MoLEアプローチは直接算術マージよりも優れたLoRA融合性能を実現する。
論文 参考訳（メタデータ） (2024-04-21T11:59:53Z) - Multi-LoRA Composition for Image Generation [107.83002438126832]
復号化中心の観点から,マルチロラ合成について検討する。
我々は,各聴覚ステップで異なるLoRAを交互に切り替えるLoRA Switchと,より密着的な画像合成を導くためにすべてのLoRAを同時に組み込むLoRA Compositeの2つのトレーニングフリー手法を提案する。
論文 参考訳（メタデータ） (2024-02-26T18:59:18Z)
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。