論文の概要: Reduce the Artifacts Bias for More Generalizable AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2605.14486v1
• Date: Thu, 14 May 2026 07:26:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.68489
• Title: Reduce the Artifacts Bias for More Generalizable AI-Generated Image Detection
• Title（参考訳）: より一般化可能なAI生成画像検出のためのアーティファクトバイアスの削減
• Authors: Yiheng Li, Yang Yang, Zichang Tan, Gao Li, Zhen Lei, Wenhao Wang,
• Abstract要約: 一般的な戦略は、拡散法において顕著な結果を示す、VAEやDDIMといった再構成技術を採用することである。 コンテンツ,サイズ,フォーマットアライメントを保存しながら,GAN生成した偽パターンを模倣するGANに基づくアップサンプリング手法を提案する。 まず、凍結した基礎モデル上でLoRA適応を用いてドメイン固有の専門家を訓練し、その後、専門家の特徴を適応的に組み合わせるために、ゲーティングネットワークと疎結合の融合を行う。
• 参考スコア（独自算出の注目度）: 34.37666528689241
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the misuse of AI-generated images grows, generalizable image detection techniques are urgently needed. Recent state-of-the-art (SOTA) methods adopt aligned training datasets to reduce content, size, and format biases, empowering models to capture robust forgery cues. A common strategy is to employ reconstruction techniques, e.g., VAE and DDIM, which show remarkable results in diffusion-based methods. However, such reconstruction-based approaches typically introduce limited and homogeneous artifacts, which cannot fully capture diverse generative patterns, such as GAN-based methods. To complement reconstruction-based fake images with aligned yet diverse artifact patterns, we propose a GAN-based upsampling approach that mimics GAN-generated fake patterns while preserving content, size, and format alignment. This naturally results in two aligned but distinct types of fake images. However, due to the domain shift between reconstruction-based and upsampling-based fake images, direct mixed training causes suboptimal results, where one domain disrupts feature learning of the other. Accordingly, we propose a Separate Expert Fusion (SEF) framework to extract complementary artifact information and reduce inter-domain interference. We first train domain-specific experts via LoRA adaptation on a frozen foundational model, then conduct decoupled fusion with a gating network to adaptively combine expert features while retaining their specialized knowledge. Rather than merely benefiting GAN-generated image detection, this design introduces diverse and complementary artifact patterns that enable SEF to learn a more robust decision boundary and improve generalization across broader generative methods. Extensive experiments demonstrate that our method yields strong results across 13 diverse benchmarks. Codes are released at: https://github.com/liyih/SEF_AIGC_detection.
• Abstract（参考訳）: AI生成画像の誤用が増大するにつれて、画像検出技術が緊急に必要となる。 最近のSOTA(State-of-the-art)メソッドでは、コンテント、サイズ、フォーマットバイアスを減らすために、整列したトレーニングデータセットを採用し、堅牢なフォージェリキューをキャプチャするモデルに権限を与えている。 一般的な戦略は、拡散法において顕著な結果を示す再構成技術(例えば、VAE、DDIM)を採用することである。 しかし、このような再構成に基づくアプローチは、GANベースの手法のような多様な生成パターンを完全に捉えることができない、限定的で均質なアーティファクトを導入するのが一般的である。 再構成に基づく偽画像と多種多様なアーティファクトパターンを補完するために,コンテンツ,サイズ,フォーマットアライメントを保存しながら,GAN生成した偽パターンを模倣するGANベースのアップサンプリング手法を提案する。 これは自然に2つの整列するが、異なる種類の偽画像をもたらす。 しかし、再構築ベースとアップサンプリングベースのフェイクイメージのドメインシフトにより、直接混合トレーニングは、一方のドメインが他方の機能学習を妨害する、最適以下の結果を引き起こす。 そこで本稿では,補完的なアーティファクト情報を抽出し,ドメイン間干渉を低減するためのセパレートエキスパートフュージョン(SEF)フレームワークを提案する。 まず、凍結した基礎モデルに基づいてドメイン固有の専門家を訓練し、その後、専門知識を維持しながら専門家の特徴を適応的に組み合わせるために、ゲーティングネットワークと疎結合の融合を行う。 単にGAN生成画像検出の恩恵を受けるのではなく、SEFがより堅牢な決定境界を学習し、より広範な生成方法の一般化を改善するための多彩で相補的なアーティファクトパターンを導入している。 大規模な実験により,13種類のベンチマークに対して強い結果が得られた。 コードは、https://github.com/liyih/SEF_AIGC_detectionでリリースされている。

関連論文リスト

• Detecting Generated Images by Fitting Natural Image Distributions [75.31113784234877]
  本稿では,自然画像と生成画像のデータ多様体間の幾何学的差異を利用した新しいフレームワークを提案する。 自然画像に対して一貫した出力を出力するために設計された関数対を用いるが、生成した関数に対しては発散出力を用いる。 データ多様体に沿った変換が、自然画像上で事前訓練された自己教師付きモデルの損失値に有意な変化をもたらす場合、画像は生成されたものとして識別される。
  論文  参考訳（メタデータ） (2025-11-03T07:20:38Z)
• Prompt-Free Conditional Diffusion for Multi-object Image Augmentation [45.92182911052815]
  マルチオブジェクト画像拡張のためのプロンプトフリー条件付き拡散フレームワークを提案する。 具体的には、画像から意味を抽出し、テキストを置換するローカル・グローバル・セマンティック・フュージョン戦略を導入する。 また、モデルトレーニングにおける従来の再建損失を支援するために、報酬モデルに基づく計数損失を設計する。
  論文  参考訳（メタデータ） (2025-07-08T16:27:48Z)
• GenMix: Effective Data Augmentation with Generative Diffusion Model Image Editing [60.101097709212716]
  本稿では、一般化可能なプロンプト誘導型生成データ拡張手法であるGenMixを紹介する。 本手法は、画像編集を利用して、カスタム条件付きプロンプトに基づく拡張画像を生成する。 提案手法は、非現実的な画像とラベルの曖昧さを緩和し、結果のモデルの性能と対角的堅牢性を向上する。
  論文  参考訳（メタデータ） (2024-12-03T10:45:34Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Few-Shot Image Generation by Conditional Relaxing Diffusion Inversion [37.18537753482751]
  条件拡散緩和インバージョン(CRDI)は、合成画像生成における分布の多様性を高めるために設計されている。 CRDIはいくつかのサンプルに基づいた微調整を頼りにしていない。 ターゲットの画像インスタンスの再構築と、数ショットの学習による多様性の拡大に重点を置いている。
  論文  参考訳（メタデータ） (2024-07-09T21:58:26Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening [50.943080184828524]
  空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。 モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
  論文  参考訳（メタデータ） (2022-07-29T03:09:21Z)
• Detecting Deepfakes with Self-Blended Images [37.374772758057844]
  本稿では,深度情報を検出するために,SBI(Self-blended Image)と呼ばれる新しい合成トレーニングデータを提案する。 SBIは、単一のプリスタン画像から擬似ソースとターゲットイメージを混合して生成される。 我々は,FF++,CDF,DFD,DFDC,DFDCP,FFIWデータセットの最先端手法との比較を行った。
  論文  参考訳（メタデータ） (2022-04-18T15:44:35Z)
• A Method for Evaluating Deep Generative Models of Images via Assessing the Reproduction of High-order Spatial Context [9.00018232117916]
  GAN(Generative Adversarial Network)は、広く使われているDGMの一種である。 本稿では,2つのGANアーキテクチャによって出力される画像の客観的なテストについて述べる。 我々は、訓練されたGANによって生成した画像の特徴を再現できるいくつかのコンテキストモデル(SCM)を設計した。
  論文  参考訳（メタデータ） (2021-11-24T15:58:10Z)

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。