論文の概要: Findings of the Counter Turing Test: AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2605.20787v1
• Date: Wed, 20 May 2026 06:32:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.526683
• Title: Findings of the Counter Turing Test: AI-Generated Image Detection
• Title（参考訳）: 対向チューリングテストの発見:AIによる画像検出
• Authors: Rajarshi Roy, Nasrin Imanpour, Ashhar Aziz, Shashwat Bajpai, Gurpreet Singh, Shwetangshu Biswas, Kapil Wanaskar, Parth Patwa, Subhankar Ghosh, Shreyas Dixit, Nilesh Ranjan Pal, Vipula Rawte, Ritvik Garimella, Amitava Das, Amit Sheth, Vasu Sharma, Aishwarya Naresh Reganti, Vinija Jain, Aman Chadha,
• Abstract要約: 本稿では,AI生成画像検出のためのCounter Turing Test (CT2)を導入したDefactify 4.0ワークショップの成果を紹介する。 コンペティションは、(1)AI生成画像のバイナリ分類と(2)AI生成画像に責任がある特定の生成モデルの識別の2つの主要なタスクで構成された。 その結果、AI生成画像は高精度で検出できるが、使用する正確なモデルを特定することは、依然として極めて困難であることが判明した。
• 参考スコア（独自算出の注目度）: 23.358538027776877
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid advancements in generative AI technologies, such as Stable Diffusion, DALL-E, and Midjourney, have significantly transformed the creation of synthetic visual content. While these models enable innovation across industries, they also pose serious challenges, including misinformation, disinformation, and biased content generation. The increasing realism of AI-generated images makes their detection a pressing concern for researchers, policymakers, and industry stakeholders. In this paper, we present the findings of the Defactify 4.0 workshop, which introduced the Counter Turing Test (CT2) for AI-Generated Image Detection. The competition consisted of two key tasks: (1) binary classification of images as either AI-generated or real and (2) identification of the specific generative model responsible for an AI-generated image. To facilitate this, we developed the MS COCOAI dataset, consisting of 50,000 synthetic images from multiple generative models alongside real-world images from the MS COCO dataset. Participants employed diverse detection strategies, including convolutional neural networks (CNNs), Vision Transformers (ViTs), frequency-based analysis, contrastive learning, and multimodal techniques. The results demonstrated that while AI-generated images can be detected with high accuracy (F1-score > 0.83), identifying the exact model used remains significantly more challenging (highest F1-score: 0.4986). These findings highlight the need for improved model fingerprinting, adversarial robustness, and real-time detection mechanisms.
• Abstract（参考訳）: 安定拡散(Stable Diffusion)、DALL-E(DALL-E)、Midjourney(Midjourney)といった生成AI技術の急速な進歩は、合成視覚コンテンツの作成を大きく変えた。 これらのモデルは業界全体のイノベーションを可能にする一方で、誤情報、偽情報、偏見のあるコンテンツ生成など、深刻な課題も生じている。 AI生成画像のリアリズムの高まりは、研究者、政策立案者、業界関係者の関心を喚起している。 本稿では,AI生成画像検出のためのCounter Turing Test (CT2)を導入したDefactify 4.0ワークショップの成果を紹介する。 コンペティションは、(1)AI生成画像のバイナリ分類と(2)AI生成画像に責任がある特定の生成モデルの識別の2つの主要なタスクで構成された。 そこで我々は,MS COCOAIデータセットを開発し,複数の生成モデルから5万個の合成画像と,MS COCOデータセットからの実世界画像とを合成した。 参加者は、畳み込みニューラルネットワーク(CNN)、ビジョントランスフォーマー(ViT)、周波数ベースの分析、コントラスト学習、マルチモーダル技術など、さまざまな検出戦略を採用した。 その結果、AI生成した画像は高い精度で検出できる(F1スコア > 0.83)が、使用する正確なモデルを特定することはかなり困難である(F1スコア: 0.4986)。 これらの知見は, モデルフィンガープリントの改善, 対向的堅牢性, リアルタイム検出機構の必要性を浮き彫りにした。

関連論文リスト

• 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)
• 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)
• Bridging the Gap Between Ideal and Real-world Evaluation: Benchmarking AI-Generated Image Detection in Challenging Scenarios [54.07895223545793]
  本稿では,実世界ロバストネスデータセット(RRDataset)を導入し,3次元にわたる検出モデルの包括的評価を行う。 RRDatasetには7つの主要なシナリオの高品質なイメージが含まれている。 我々はRRDataset上で17の検出器と10の視覚言語モデル(VLM)をベンチマークし、大規模な人間実験を行った。
  論文  参考訳（メタデータ） (2025-09-11T06:15:52Z)
• Quality Assessment and Distortion-aware Saliency Prediction for AI-Generated Omnidirectional Images [70.49595920462579]
  本研究は,AIGODIの品質評価と歪みを考慮したサリエンシ予測問題について検討する。 BLIP-2モデルに基づく共有エンコーダを用いた2つのモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T05:36:04Z)
• 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)
• CO-SPY: Combining Semantic and Pixel Features to Detect Synthetic Images by AI [58.35348718345307]
  実際の画像とAI生成画像を区別する現在の取り組みには、一般化が欠如している可能性がある。 既存のセマンティック機能を強化した新しいフレームワークCo-Spyを提案する。 また、5つの実画像データセットと22の最先端生成モデルからなる包括的データセットであるCo-Spy-Benchを作成します。
  論文  参考訳（メタデータ） (2025-03-24T01:59:29Z)
• D-Judge: How Far Are We? Assessing the Discrepancies Between AI-synthesized and Natural Images through Multimodal Guidance [19.760989919485894]
  5000の自然画像と440,000以上のAIGIサンプルからなる大規模マルチモーダルデータセットD-ANIを構築した。 次に、AI生成画像(AIGI)が真に現実的なイメージからどこまで遠いのかという、重要な問題に対処するために、AI-Natural Image Discrepancy評価ベンチマーク(D-Judge)を導入します。
  論文  参考訳（メタデータ） (2024-12-23T15:08:08Z)
• 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)
• 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。