論文の概要: GenShield: Unified Detection and Artifact Correction for AI-Generated Images

• arxiv url: http://arxiv.org/abs/2605.16122v1
• Date: Fri, 15 May 2026 16:06:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.360697
• Title: GenShield: Unified Detection and Artifact Correction for AI-Generated Images
• Title（参考訳）: GenShield:AI生成画像の統一検出とアーティファクト補正
• Authors: Zhipei Xu, Xuanyu Zhang, Youmin Xu, Qing Huang, Shen Chen, Taiping Yao, Shouhong Ding, Jian Zhang,
• Abstract要約: GenShieldは、診断から修復までのクローズドループでAIGI検出とアーティファクト修正を実行するフレームワークである。 大規模なアーティファクト-restored'ペアを備えた高品質データセットは、統一された評価パイプラインと共に構築される。
• 参考スコア（独自算出の注目度）: 65.11434977803509
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion-based image synthesis has made AI-generated images (AIGI) increasingly photorealistic, raising urgent concerns about authenticity in applications such as misinformation detection, digital forensics, and content moderation. Despite the substantial advances in AIGI detection, how to correct detected AI-generated images with visible artifacts and restore realistic appearance remains largely underexplored. Moreover, few existing work has established the connection between AIGI detection and artifact correction. To fill this gap, we propose GenShield, a unified autoregressive framework that jointly performs explainable AIGI detection and controllable artifact correction in a closed loop from diagnosis to restoration, revealing a mutually reinforcing relationship between these two tasks. We further introduce a Visual Chain-of-Thought based curriculum learning strategy that enables self-explained, multi-step ``diagnose-then-repair'' correction with an explicit stopping criterion. A high-quality dataset with large-scale ``artifact-restored'' pairs is also constructed alongside a unified evaluation pipeline. Extensive experiments on our correction benchmark and mainstream AIGI detection benchmarks demonstrate state-of-the-art performance and strong generalization of our method. The code is available at https://github.com/zhipeixu/GenShield.
• Abstract（参考訳）: 拡散に基づく画像合成は、AI生成画像(AIGI)をますますフォトリアリスティックなものにし、誤情報検出、デジタル法医学、コンテンツモデレーションといった応用における真正性に対する緊急の懸念を提起している。 AIGI検出の大幅な進歩にもかかわらず、目に見えるアーティファクトで検出されたAI生成画像を修正し、現実的な外観を復元する方法はほとんど探索されていない。 さらに、AIGI検出とアーティファクト修正の関連性を確立した既存の研究はほとんどない。 このギャップを埋めるため,診断から修復までの閉ループにおけるAIGI検出と制御可能なアーティファクト補正を共同で行う統合自己回帰フレームワークであるGenShieldを提案する。 さらに,ビジュアル・チェーン・オブ・ワット(Visual Chain-of-Thought)に基づくカリキュラム学習戦略を導入し,明示的な停止基準付き自己説明型マルチステップ ``diagnose-then-repair'' の修正を可能にする。 大規模な ``artifact-restored'' ペアを持つ高品質なデータセットも、統一された評価パイプラインと一緒に構築されている。 我々の補正ベンチマークと主流AIGI検出ベンチマークの大規模な実験は、我々の手法の最先端性能と強力な一般化を実証している。 コードはhttps://github.com/zhipeixu/GenShield.comで入手できる。

関連論文リスト

• Boosting Robust AIGI Detection with LoRA-based Pairwise Training [55.076681464804636]
  現在のAIGI検出器はクリーンなデータセットで良好に動作しますが、その検出性能は"野生"に展開すると低下します。 本稿では,高度歪み下でのAIGIの堅牢な検出を実現するために,Lo-based Pairwise Training (RA) 戦略を提案する。
  論文  参考訳（メタデータ） (2026-04-14T05:35:32Z)
• Unveiling Perceptual Artifacts: A Fine-Grained Benchmark for Interpretable AI-Generated Image Detection [95.08316274158165]
  X-AIGDは、低レベルの歪み、高レベルの意味論、認知レベルの反事実など、知覚的アーティファクトのピクセルレベルの分類されたアノテーションを提供する。 既存のAIGI検出器は、最も基本的な歪みレベルであっても、知覚的アーティファクトに依存しない。 モデル注意をアーティファクト領域と明確に整合させることは、検出器の解釈可能性と一般化を高めることができる。
  論文  参考訳（メタデータ） (2026-01-27T10:09:17Z)
• Semantic-Aware Reconstruction Error for Detecting AI-Generated Images [22.83053631078616]
  本稿では,画像とキャプション誘導再構成のセマンティック・アウェア・リコンストラクション・エラー(SARE)を計測する新しい表現を提案する。 SAREは、さまざまな生成モデル間で偽画像を検出するための堅牢で差別的な機能を提供する。 また,SAREを背骨検出器に統合する融合モジュールを,クロスアテンション機構を介して導入する。
  論文  参考訳（メタデータ） (2025-08-13T04:37:36Z)
• Is Artificial Intelligence Generated Image Detection a Solved Problem? [16.9828631287303]
  AIGIBenchは、最先端AIGI検出器の堅牢性と一般化能力を厳格に評価するために設計されたベンチマークである。 マルチソースの一般化、画像劣化に対する堅牢性、データ拡張に対する敏感性、テスト時間前処理の影響の4つのコアタスクを通じて、現実世界の課題をシミュレートする。 ソーシャルメディアやAIアートプラットフォームから収集された実世界のサンプルとともに、高度な画像生成技術と広く採用されている画像生成技術の両方にまたがる、23の多様なフェイクイメージサブセットが含まれている。
  論文  参考訳（メタデータ） (2025-05-18T10:00:39Z)
• 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)
• A Sanity Check for AI-generated Image Detection [49.08585395873425]
  我々はAI生成画像を検出するAI生成画像検出装置(AI生成画像検出装置)を提案する。 AIDEは最先端の手法を+3.5%、+4.6%改善した。
  論文  参考訳（メタデータ） (2024-06-27T17:59:49Z)
• Improving Interpretability and Robustness for the Detection of AI-Generated Images [6.116075037154215]
  凍結したCLIP埋め込みに基づいて、既存の最先端AIGI検出手法を解析する。 さまざまなAIジェネレータが生成する画像が実際の画像とどのように異なるかを示す。
  論文  参考訳（メタデータ） (2024-06-21T10:33:09Z)
• RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
  RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
  論文  参考訳（メタデータ） (2024-05-30T14:49:54Z)

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。