論文の概要: ImageAttributionBench: How Far Are We from Generalizable Attribution?

• arxiv url: http://arxiv.org/abs/2605.12967v1
• Date: Wed, 13 May 2026 04:01:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.799428
• Title: ImageAttributionBench: How Far Are We from Generalizable Attribution?
• Title（参考訳）: ImageAttributionBench: 一般化可能な属性はどこまであるのか?
• Authors: Tingshu Mou, Zhipeng Wei, Chao Gong, Jingjing Chen, Xingjun Ma,
• Abstract要約: 生成AIは、非常に現実的で多様な合成画像の作成を可能にし、画像の証明と誤情報検出の課題に対処している。 ImageAttributionBenchは、最先端(SOTA)アーキテクチャを備えた広範囲の高度な生成モデルによって合成された、包括的なデータセットである。 実世界の帰属シナリオをシミュレートするため,ImageAttributionBench上で複数のSOTA帰属手法を評価する。
• 参考スコア（独自算出の注目度）: 42.52333388644631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid advancement of generative AI has enabled the creation of highly realistic and diverse synthetic images, posing critical challenges for image provenance and misinformation detection. This underscores the urgent need for effective image attribution. However, existing attribution datasets are constrained by limited scale, outdated generation methods, and insufficient semantic diversity - hindering the development of robust and generalizable attribution models. To address these limitations, we introduce ImageAttributionBench, a comprehensive dataset comprising images synthesized by a wide array of advanced generative models with state-of-the-art (SOTA) architectures. Covering multiple real-world semantic domains, the dataset offers rich diversity and scale to support and accelerate progress in image attribution research. To simulate real-world attribution scenarios, we evaluate several SOTA attribution methods on ImageAttributionBench under two challenging settings: (1) training on a standard balanced split and testing on degraded images, and (2) training and testing on semantically disjoint splits. In both cases, current methods exhibit consistently poor performance, revealing significant limitations in their robustness and generalization to unseen semantic content. Our work provides a rigorous benchmark to facilitate the development and evaluation of future image attribution methods.
• Abstract（参考訳）: 生成AIの急速な進歩により、高度に現実的で多様な合成画像の作成が可能となり、画像の出現と誤情報検出に重要な課題が生じた。 このことは、効果的な画像属性の緊急性の必要性を浮き彫りにする。 しかし、既存の属性データセットは、制限されたスケール、時代遅れな生成方法、セマンティックな多様性が不十分なため、堅牢で一般化可能な属性モデルの開発を妨げる。 このような制約に対処するため,画像AttributionBenchは,最先端(SOTA)アーキテクチャを備えた多種多様な高度な生成モデルによって合成された画像からなる包括的データセットである。 複数の実世界のセマンティックドメインをカバーするデータセットは、画像属性研究の進歩をサポートし、加速するために、豊富な多様性とスケールを提供する。 実世界の帰属シナリオをシミュレートするため,画像AttributionBench上でのSOTA帰属手法を,(1)標準バランスの取れた分割のトレーニングと劣化した画像のテスト,(2)意味的な分離のトレーニングとテストという2つの困難な条件下で評価した。 どちらの場合も、現在の手法は一貫して貧弱な性能を示しており、その頑健さと、目に見えないセマンティックコンテンツへの一般化に重大な制限が示される。 我々の研究は、将来の画像属性手法の開発と評価を容易にするための厳密なベンチマークを提供する。

関連論文リスト

• FeatDistill: A Feature Distillation Enhanced Multi-Expert Ensemble Framework for Robust AI-generated Image Detection [14.180599240051238]
  FeatDistillは、特徴蒸留とマルチエキスパートアンサンブルを統合する、AI生成の画像検出フレームワークである。 NTIRE Challenge on Robust AI-Generated Image Detection in the Wildのために開発された。
  論文  参考訳（メタデータ） (2026-03-23T12:55:31Z)
• RealHD: A High-Quality Dataset for Robust Detection of State-of-the-Art AI-Generated Images [14.691738115737962]
  実画像とAI生成画像の両方を含む複数のカテゴリにわたる730,000以上の画像からなる高品質で大規模なデータセットを提案する。 生成された画像は最先端の方法で合成され、テキスト・ツー・イメージ・ジェネレーション(念入りに設計された1万以上のプロンプトによって誘導される)、画像のインペインティング、画像の精細化、顔のスワップなどが含まれる。 我々のデータセットは、検出方法を評価するための強力なベンチマークとして機能するだけでなく、AI生成画像検出技術の堅牢性向上にも寄与する。
  論文  参考訳（メタデータ） (2026-02-11T05:38:40Z)
• UniREditBench: A Unified Reasoning-based Image Editing Benchmark [52.54256348710893]
  この研究は、推論に基づく画像編集評価のための統一ベンチマークUniREditBenchを提案する。 精巧にキュレートされた2,700個のサンプルからなり、8つの一次次元と18のサブ次元にわたる実世界シナリオとゲーム世界のシナリオをカバーしている。 このデータセットにBagelを微調整し、UniREdit-Bagelを開発した。
  論文  参考訳（メタデータ） (2025-11-03T07:24:57Z)
• Provenance of AI-Generated Images: A Vector Similarity and Blockchain-based Approach [3.632189127068905]
  本稿では,AI生成画像と実(人間による)画像とを識別する組込み型AI画像検出フレームワークを提案する。 提案手法は,AI生成画像が他のAI生成コンテンツに近接していることを示す仮説に基づいている。 以上の結果から,中程度の摂動と高摂動が埋め込みシグネチャに最小限に影響を及ぼすことが確認された。
  論文  参考訳（メタデータ） (2025-10-15T00:49:56Z)
• So-Fake: Benchmarking and Explaining Social Media Image Forgery Detection [75.79507634008631]
  So-Fake-Setは、200万以上の高品質な画像、多様な生成源、35の最先端生成モデルを用いて合成された画像を備えたソーシャルメディア指向のデータセットである。 本稿では,高精度な偽造検出,高精度な位置推定,解釈可能な視覚論理による説明可能な推論に強化学習を利用する高度な視覚言語フレームワークであるSo-Fake-R1を提案する。
  論文  参考訳（メタデータ） (2025-05-24T11:53:35Z)
• ImagiNet: A Multi-Content Benchmark for Synthetic Image Detection [0.0]
  私たちは、写真、絵画、顔、雑多な4つのカテゴリにまたがる200万のサンプルのデータセットであるImagiNetを紹介します。 ImagiNetの合成画像はオープンソースとプロプライエタリの両方のジェネレータで作成され、各コンテントタイプの実際の画像はパブリックデータセットから収集される。
  論文  参考訳（メタデータ） (2024-07-29T13:57:24Z)
• Enhance Image Classification via Inter-Class Image Mixup with Diffusion Model [80.61157097223058]
  画像分類性能を高めるための一般的な戦略は、T2Iモデルによって生成された合成画像でトレーニングセットを増強することである。 本研究では,既存のデータ拡張技術の欠点について検討する。 Diff-Mixと呼ばれる革新的なクラス間データ拡張手法を導入する。
  論文  参考訳（メタデータ） (2024-03-28T17:23:45Z)
• Large Scale Image Completion via Co-Modulated Generative Adversarial Networks [18.312552957727828]
  画像条件と最近の非条件生成アーキテクチャのギャップを埋める汎用的な新しいアプローチを提案する。 また,画像補完のための定量的指標が不十分なため,Paired/Unpaired Inception Discriminative Score (P-IDS/U-IDS)を提案する。 実験は、自由形式の画像補完における最先端の手法よりも品質と多様性の両面で優れた性能を示し、画像から画像への変換を容易に一般化する。
  論文  参考訳（メタデータ） (2021-03-18T17:59:11Z)

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。