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
• 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

• Structured Local Differential Modeling for AI-Generated Image Detection [19.38384682694954]
  本稿では,局所微分信号に基づくAI生成画像検出フレームワークRippleNetを提案する。 RippleNetは、フォージェリセンシティブな領域を適応的に識別し、局所地区内の多方向多スケール差分表現を構築する。 複数の公開ベンチマークとクロスジェネレータ評価設定による実験は、RippleNetが一貫して競争力を発揮することを示した。
  論文  参考訳（メタデータ） (2026-08-13T04:35:29Z)
• Understanding Why Foundation Models Work for Diffusion-Generated Image Detection [17.35112221493337]
  本研究では,基礎モデルに基づく検出器を用いて,実際の画像と拡散生成画像とを識別する手法について検討する。 以上の結果から, 基礎モデルに基づく検出器は, 実画像と拡散画像の非意味な低-中間周波数分布の相違を捉えることに成功した。
  論文  参考訳（メタデータ） (2026-08-12T15:18:10Z)
• Improving Combined Detection and Classification of TEM Defects via Mask-Conditioned Latent Diffusion Augmentation [2.471708266724695]
  マスク条件付き潜時拡散モデル(LDM)を用いた生成データ拡張手法を導入し,現実的なTEM画像を制御可能で自動ラベル付き欠陥マスクで合成する。 以上の結果から,F1スコアの高調波平均値が最大0.02向上し,モデル全体の性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2026-06-01T17:38:47Z)
• 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)
• Explainable Synthetic Image Detection through Diffusion Timestep Ensembling [30.298198387824275]
  本稿では,複数の雑音の時間ステップでアンサンブルを訓練することにより,中間雑音画像の特徴を直接活用する合成画像検出手法を提案する。 人間の理解を深めるために,メートル法に基づく説明文生成と改良モジュールを導入する。 本手法は, 正解率98.91%, 正解率95.89%, 正解率95.89%, 正解率98.91%, 正解率95.89%である。
  論文  参考訳（メタデータ） (2025-03-08T13:04:20Z)
• 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)
• 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)
• PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization [64.39761523935613]
  本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。 PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。 また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
  論文  参考訳（メタデータ） (2020-11-17T17:29:18Z)

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。