論文の概要: Post-hoc Selective Classification for Reliable Synthetic Image Detection
- arxiv url: http://arxiv.org/abs/2605.08574v1
- Date: Sat, 09 May 2026 00:25:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.750103
- Title: Post-hoc Selective Classification for Reliable Synthetic Image Detection
- Title（参考訳）: 信頼性の高い合成画像検出のためのポストホック選択分類法
- Abstract要約: ディープニューラルネットワークベースの合成画像検出器(SID)は、デプロイメントの信頼性を欠いている。
本稿では,SIDが低信頼度予測を行なわないようにすることで,選択的分類(SC)戦略を提案する。
本稿では,各層から抽出した信頼度を最終信頼度推定に集約する選好最適化アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 5.743750345138882
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As synthetic images become increasingly realistic, reliable synthetic image detection techniques are of pressing need to prevent their misuse. Despite satisfactory in-distribution performance, deep neural network-based synthetic image detectors (SIDs) lack reliability in deployment and often fail in the presence of common covariate shifts, resulting in poor detection accuracy. To avoid the risk caused by potential errors, we adopt a selective classification (SC) strategy by allowing SIDs to abstain from making low confidence predictions. For practicality, we focus on post-hoc methods which perform confidence estimation on a given SID without retraining. However, we show that conventional logit-based confidence score functions (CSFs) exhibit pathological behavior under covariate shifts, leading to SC performance close to or even worse than random guessing. To address this, we propose a simple yet effective SC framework for Reliable Synthetic Image Detection (ReSIDe). First, we generalize the notion of logits to an SID's intermediate layers from a centroid matching perspective, extending the use of logit-based CSFs to any layer of an SID. Then, we introduce a preference optimization algorithm that aggregates confidence scores extracted from different layers to a final confidence estimate by minimizing an upper bound of the area under the risk-coverage curve (AURC). Extensive experimental results show that ReSIDe significantly boosts the SC performance of various logit-based CSFs under common covariate shifts, achieving up to 69.55% AURC reduction.
- Abstract（参考訳）: 合成画像がますます現実的になるにつれて、信頼性の高い合成画像検出技術は、それらの誤用を防ぐために迫られている。
十分な分散性能にもかかわらず、ディープニューラルネットワークベースの合成画像検出器(SID)は、デプロイメントの信頼性に欠け、しばしば共通の共変量シフトの存在下で失敗し、検出精度が低下する。
潜在的なエラーによるリスクを回避するため、SIDが低い信頼度予測をすることを禁じることにより、選択分類(SC)戦略を採用する。
そこで本研究では,SIDに対する信頼度を再訓練せずに評価するポストホック手法に着目した。
しかし,従来のロジットに基づく信頼スコア関数 (CSF) は,共変量シフト下での病理挙動を示し,ランダムな推測よりもSC性能が近いか,さらに悪いかを示す。
そこで本稿では,Reliable Synthetic Image Detection (ReSIDe) のためのシンプルなSCフレームワークを提案する。
まず,ロジットをSIDの中間層に一般化し,ロジットベースのCSFをSIDの任意の層に拡張する。
次に,リスク被覆曲線(AURC)の下での領域の上限を最小化することにより,異なる層から抽出した信頼度を最終信頼度推定に集約する選好最適化アルゴリズムを提案する。
大規模な実験結果から、ReSIDeは共通の共変量シフトの下で様々なロジト系CSFのSC性能を大幅に向上し、最大69.55%のAURC還元を達成することが示された。
関連論文リスト
- When Modalities Fail to Tango: Conformal Backdoor Detection in Multimodal Contrastive Learning [22.47689018895596]
マルチモーダルコントラスト学習(MCL)におけるバックドア攻撃は近年注目を集めている。
既存の検出ベースの防御は、主にCLIPScoreメトリックに依存している。
CSCADEは,2段階の連続型バックドア検出フレームワークである。
論文 参考訳（メタデータ） (2026-08-04T10:20:41Z) - Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。
画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文 参考訳（メタデータ） (2026-07-29T05:16:59Z) - LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。
深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。
深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。
これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
論文 参考訳（メタデータ） (2026-07-06T02:15:09Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - Beyond Semantic Priors: Mitigating Optimization Collapse for Generalizable Visual Forensics [12.973951916863989]
我々は,非セマンティックなフォージェリーのランダムな推測にデジェネレーションを施した「最適化崩壊」と呼ばれる故障モードを同定する。
計算効率の良いCGP(Contrastive Gradient Proxy)と3つのトレーニングフリー戦略を統合したContrastive Regional Injection Transformer(CoRIT)を提案する。
CoRITは最適化の崩壊を緩和し、クロスドメインおよびユニバーサルフォージェリーベンチマーク間の最先端の一般化を実現する。
論文 参考訳（メタデータ） (2026-03-25T08:03:30Z) - Decoupled Sensitivity-Consistency Learning for Weakly Supervised Video Anomaly Detection [14.851086599818302]
本稿では,2つの特化ストリームを学習するためのデカップリング型感性一貫性フレームワークを提案する。
時間感度ストリームは、高周波の急激な変化を捉えるために積極的な最適化戦略を採用するが、セマンティックな一貫性ストリームは、長期的コヒーレンスを維持し、ノイズを低減するために頑健な制約を適用している。
彼らの相補的な強みは、個人のバイアスを減らし、バランスの取れた予測を生成する協調推論機構によって融合される。
論文 参考訳（メタデータ） (2026-03-20T09:15:37Z) - Heterogeneous Uncertainty-Guided Composed Image Retrieval with Fine-Grained Probabilistic Learning [49.28548464288051]
Composed Image Retrieval (CIR)は、参照画像と修正テキストを組み合わせることで、画像検索を可能にする。
CIR三重項の内在ノイズは内在的不確実性を引き起こし、モデルの堅牢性を脅かす。
本稿では,これらの制約を克服するための不確実性誘導(HUG)パラダイムを提案する。
論文 参考訳（メタデータ） (2026-01-16T16:05:49Z) - Open-World Deepfake Attribution via Confidence-Aware Asymmetric Learning [78.92934995292113]
本稿では,既知の偽造と新規な偽造の信頼のバランスをとる,信頼を意識した非対称学習(CAL)フレームワークを提案する。
CALは従来手法を一貫して上回り、既知の偽造と新しい偽造の両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-12-14T12:31:28Z) - A Hybrid Deep Learning and Forensic Approach for Robust Deepfake Detection [0.0]
既存のディープフェイク検出手法は、一般化や歪みに対する脆弱性の低いディープラーニングや、解釈可能なが新しい操作技術に制限される法医学的な分析に頼っている。
本研究では,雑音残差,JPEG圧縮トレース,周波数領域記述子などの法医学的特徴を融合したハイブリッドフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-31T11:32:52Z) - Uncertainty-aware retinal layer segmentation in OCT through probabilistic signed distance functions [6.765624289092461]
オプティカルコヒーレンス・トモグラフィー(OCT)スキャンにおける不確実性認識網膜層セグメンテーションの新しいアプローチを提案する。
本手法は、レベルセットを介して網膜層形状を効果的にパラメータ化する符号付き距離関数(SDF)を予測することにより、セグメンテーションを洗練する。
これにより、あいまいな入力、撮像ノイズ、信頼できないセグメンテーションが存在する場合でも、網膜層の堅牢な表現が保証される。
論文 参考訳（メタデータ） (2024-12-06T10:44:11Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Label Geometry Aware Discriminator for Conditional Generative Networks [40.89719383597279]
条件付きGenerative Adversarial Networks(GAN)は、目的のターゲットクラスで高画質の画像を生成することができます。
これらの合成画像は、画像分類などの下流監督タスクを改善するために必ずしも役に立たない。
論文 参考訳（メタデータ） (2021-05-12T08:17:25Z)
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。