論文の概要: Micro-Defects Expose Macro-Fakes: Detecting AI-Generated Images via Local Distributional Shifts

• arxiv url: http://arxiv.org/abs/2605.09296v1
• Date: Sun, 10 May 2026 03:44:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.174646
• Title: Micro-Defects Expose Macro-Fakes: Detecting AI-Generated Images via Local Distributional Shifts
• Title（参考訳）: マイクロ欠陥:局所分布シフトによるAI生成画像の検出
• Authors: Boxuan Zhang, Jianing Zhu, Qifan Wang, Jiang Liu, Ruixiang Tang,
• Abstract要約: 生成モデルは、非常に現実的なように見えるイメージを生成することができ、実際の画像とAI生成イメージを区別する上での課題を提起する。 局所分布認識検出フレームワークであるマクロフェイク(MDMF)のマイクロ欠陥をマクロレベルの分布不規則性に増幅する。 提案手法は, 局所的な法医学的信号が生成画像に存在する場合, パッチワイド・モデリングにより, 明らかな相違が生じることを示す。
• 参考スコア（独自算出の注目度）: 48.75898711300078
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent generative models can produce images that appear highly realistic, raising challenges in distinguishing real and AI-generated images. Yet existing detectors based on pre-trained feature extractors tend to over-rely on global semantics, limiting sensitivity to the critical micro-defects. In this work, we propose Micro-Defects expose Macro-Fakes (MDMF), a local distribution-aware detection framework that amplifies micro-scale statistical irregularities into macro-level distributional discrepancies. To avoid localized forensic cues being diluted by plain aggregation, we introduce a learnable Patch Forensic Signature that projects semantic patch embeddings into a compact forensic latent space. We then use Maximum Mean Discrepancy (MMD) to quantify distributional discrepancies between generated and real images. Our theory-grounded analysis shows that patch-wise modeling yields provably larger discrepancies when localized forensic signals are present in generated images, enabling more reliable separation from real images. Extensive experiments demonstrate that MDMF consistently outperforms baseline detectors across multiple benchmarks, validating its general effectiveness. Project page: https://zbox1005.github.io/MDMF-project/
• Abstract（参考訳）: 最近の生成モデルは、非常に現実的なように見えるイメージを生成し、実際の画像とAI生成画像を区別する上での課題を提起する。 しかし、事前訓練された特徴抽出器に基づく既存の検出器は、グローバルなセマンティクスに過度に依存し、臨界マイクロ欠陥に対する感度を制限する傾向にある。 本研究では,マイクロデフェクトがマクロレベルの分布不整合を増幅する局所分布認識検出フレームワークであるマクロフェイク(MDMF)を提案する。 局所的な法医学的手がかりの希薄化を避けるために,コンパクトな法医学的潜伏空間にセマンティックパッチの埋め込みを投影する学習可能なPatch Forensic Signatureを導入する。 次に、最大平均離散性(MMD)を用いて、生成画像と実画像の分布差を定量化する。 提案手法は, 局所的な法医学的信号が生成画像に存在する場合, パッチワイドなモデリングにより, より信頼性の高い実画像分離が可能となることを示す。 大規模な実験により、MDMFは複数のベンチマークで一貫してベースライン検出器より優れており、その一般的な効果が検証されている。 プロジェクトページ: https://zbox1005.github.io/MDMF-project/

関連論文リスト

• Mitigating Memorization in Text-to-Image Diffusion via Region-Aware Prompt Augmentation and Multimodal Copy Detection [53.789057575175065]
  領域認識型prompt Augmentation(RAPTA)とAttention-Driven Multimodal Copy Detection(ADMCD)を示す。 RAPTAはオブジェクト検出器を使用して、正常な領域を見つけ、それらを意味論的に接地したプロンプトの変種に変換する。 ADMCDは、ローカルパッチ、グローバルセマンティック、テクスチャキューを軽量トランスフォーマーで集約し、融合表現を生成する。 実験により、RAPTAは高い合成品質を維持しながら過度な適合を減少させ、ADMCDはコピーを確実に検出し、単一モードの指標より優れることが示された。
  論文  参考訳（メタデータ） (2026-03-13T15:16:27Z)
• Self-Supervised AI-Generated Image Detection: A Camera Metadata Perspective [80.10217707456046]
  カメラメタデータを利用したAI生成画像検出のための自己教師型アプローチを提案する。 分類型EXIFタグを分類することにより,撮影画像のみに特徴抽出器を訓練する。 我々の検出器は、電界中のサンプルに対して強力な一般化と、一般的な良性イメージの摂動に対する堅牢性を提供する。
  論文  参考訳（メタデータ） (2025-12-05T11:53:18Z)
• MFCLIP: Multi-modal Fine-grained CLIP for Generalizable Diffusion Face Forgery Detection [64.29452783056253]
  フォトリアリスティック・フェイスジェネレーション手法の急速な発展は、社会やアカデミックにおいて大きな関心を集めている。 既存のアプローチは主に画像モダリティを用いて顔の偽造パターンをキャプチャするが、きめ細かいノイズやテキストのような他のモダリティは完全には探索されていない。 そこで本研究では,画像ノイズの多点にわたる包括的かつきめ細かなフォージェリートレースをマイニングする,MFCLIP(MF-modal Fine-fine-fine-fine-fine-fine CLIP)モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-15T13:08:59Z)
• Detecting Images Generated by Deep Diffusion Models using their Local Intrinsic Dimensionality [8.968599131722023]
  拡散モデルは驚くほどリアルな画像の視覚合成に成功している。 これにより、悪意のある目的のために、彼らの可能性に対する強い懸念が持ち上がる。 合成画像の自動検出に軽量な多重局所固有次元法(multiLID)を提案する。
  論文  参考訳（メタデータ） (2023-07-05T15:03:10Z)

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。