論文の概要: SPECTRA-Net: Scalable Pipeline for Explainable Cross-domain Tensor Representations for AI-generated Images Detection

• arxiv url: http://arxiv.org/abs/2605.08226v1
• Date: Wed, 06 May 2026 16:35:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.477008
• Title: SPECTRA-Net: Scalable Pipeline for Explainable Cross-domain Tensor Representations for AI-generated Images Detection
• Title（参考訳）: SPECTRA-Net:AI生成画像検出のための説明可能なクロスドメインテンソル表現のためのスケーラブルパイプライン
• Abstract要約: AI生成画像(AIGI)の急速な普及は、デジタル情報の完全性に重大な課題をもたらす。 本稿では、AIGI検出のための説明可能なクロスドメインテンソル表現のためのスケーラブルパイプラインであるSPECTRA-Netを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid proliferation of AI-generated images (AIGI) presents a significant challenge to digital information integrity. While human observers and existing detection models struggle to keep pace with the increasing sophistication of generative models, the need for robust, real-time detection systems has become critical. This paper introduces SPECTRA-Net, a scalable pipeline for explainable, cross-domain tensor representations for AIGI detection. Our approach leverages a multi-view representation of images, combining global semantic features from a Vision Foundation Model (VFM), spectral analysis, local patch-based anomaly detection, and statistical descriptors. By fusing these complementary data streams, SPECTRA-Net achieves state-of-the-art performance in both in-domain and cross-domain settings, demonstrating high accuracy and generalization capabilities across a wide range of challenging datasets, including WildFake, Chameleon, and RRDataset. The proposed pipeline not only provides a robust solution for AIGI detection but also offers explainability through artifact localization, paving the way for more trustworthy and reliable content verification in real-world applications.
• Abstract（参考訳）: AI生成画像(AIGI)の急速な普及は、デジタル情報の完全性に重大な課題をもたらす。 人間の観察者や既存の検出モデルは、生成モデルの高度化に伴うペースを維持するのに苦労する一方で、堅牢でリアルタイムな検出システムの必要性が重要になっている。 本稿では、AIGI検出のための説明可能なクロスドメインテンソル表現のためのスケーラブルパイプラインであるSPECTRA-Netを紹介する。 提案手法では,VFM(Vision Foundation Model),スペクトル解析,局所パッチに基づく異常検出,統計的記述子などのグローバルな意味的特徴を組み合わせた画像の多視点表現を利用する。 これらの補完的なデータストリームを融合することにより、SPECTRA-Netはドメイン内およびクロスドメイン設定の両方で最先端のパフォーマンスを実現し、WildFake、Chameleon、RRDatasetなど、幅広い課題のあるデータセットにわたって高い精度と一般化能力を示す。 提案されたパイプラインはAIGI検出のための堅牢なソリューションを提供するだけでなく、アーティファクトのローカライゼーションを通じて説明可能性を提供し、現実のアプリケーションでより信頼性が高く信頼性の高いコンテンツ検証を実現する。

関連論文リスト

• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• Deepfake Geography: Detecting AI-Generated Satellite Images [0.0]
  StyleGAN2やStable Diffusionのような生成モデルは衛星画像の信頼性を脅かす。 我々は、AI生成衛星画像を検出するために、コナールニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)を比較した。 ViTはCNNの精度(95.11パーセント対87.02パーセント)と全体的な堅牢性の両方で著しく上回っている。
  論文  参考訳（メタデータ） (2025-11-21T20:30:10Z)
• When Deepfake Detection Meets Graph Neural Network:a Unified and Lightweight Learning Framework [19.782729726650306]
  SSTGNNはビデオを構造化グラフとして表現し、空間的不整合、時間的アーティファクト、スペクトル歪みに対する共同推論を可能にする。 多様なベンチマークデータセットの実験では、SSTGNNはドメイン内設定とドメイン間設定の両方で優れたパフォーマンスを達成している。 注目すべきは、SSTGNNがこれらの結果を、最先端モデルよりも最大42.4$times$少ないパラメータで達成していることだ。
  論文  参考訳（メタデータ） (2025-08-07T15:55:13Z)
• SFNet: Fusion of Spatial and Frequency-Domain Features for Remote Sensing Image Forgery Detection [7.054392101839536]
  偽のリモートセンシング画像は誤ったインテリジェンスやフェイクニュース、さらには陰謀説につながる可能性がある。 本稿では,多様なリモートセンシングデータから偽画像を特定することを目的とした,SFNetと呼ばれる新しい偽画像検出フレームワークを提案する。 3つのデータセットの実験により、SFNetは最先端のRS偽造検出法に対して4%-15.18%の精度向上を達成した。
  論文  参考訳（メタデータ） (2025-06-25T16:38:37Z)
• Cross-Spectral Body Recognition with Side Information Embedding: Benchmarks on LLCM and Analyzing Range-Induced Occlusions on IJB-MDF [51.36007967653781]
  ViT(Vision Transformers)は、顔や身体の認識を含む幅広い生体計測タスクにおいて、印象的なパフォーマンスを誇示している。 本研究では、視認性(VIS)画像に事前訓練されたVTモデルを、クロススペクトル体認識の難しい問題に適用する。 このアイデアに基づいて、我々はSide Information Embedding (SIE)を統合し、ドメインとカメラ情報のエンコーディングの影響を調べ、スペクトル間マッチングを強化する。 驚くべきことに、我々の結果は、ドメイン情報を明示的に組み込むことなく、カメラ情報のみを符号化することで、LLCMデータセット上で最先端のパフォーマンスが得られることを示している。
  論文  参考訳（メタデータ） (2025-06-10T16:20:52Z)
• AuxDet: Auxiliary Metadata Matters for Omni-Domain Infrared Small Target Detection [49.81255045696323]
  補助メタデータ駆動型赤外小型ターゲット検出器(AuxDet)について述べる。 AuxDetはメタデータセマンティクスと視覚的特徴を統合し、各サンプルに対する適応表現学習を導く。 挑戦的なWideIRSTD-Fullベンチマークの実験は、AuxDetが一貫して最先端のメソッドより優れていることを示した。
  論文  参考訳（メタデータ） (2025-05-21T07:02:05Z)
• 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)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• AssemAI: Interpretable Image-Based Anomaly Detection for Manufacturing Pipelines [0.0]
  製造パイプラインにおける異常検出は、産業環境の複雑さと変動性によって強化され、依然として重要な課題である。 本稿では,スマート製造パイプラインに適した解釈可能な画像ベース異常検出システムAssemAIを紹介する。
  論文  参考訳（メタデータ） (2024-08-05T01:50:09Z)
• Few-shot Online Anomaly Detection and Segmentation [29.693357653538474]
  本稿では,難易度の高いオンライン異常検出・セグメンテーション(FOADS)の課題に対処することに焦点を当てる。 FOADSフレームワークでは、モデルを数ショットの通常のデータセットでトレーニングし、その後、正常サンプルと異常サンプルの両方を含む未ラベルのストリーミングデータを活用することで、その能力の検査と改善を行う。 限られたトレーニングサンプルを用いた性能向上のために,ImageNetで事前学習したCNNから抽出したマルチスケール特徴埋め込みを用いて,ロバストな表現を得る。
  論文  参考訳（メタデータ） (2024-03-27T02:24:00Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)

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。