論文の概要: Spectral Tail Auxiliary Learning for AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2605.22751v1
• Date: Thu, 21 May 2026 17:20:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.371115
• Title: Spectral Tail Auxiliary Learning for AI-Generated Image Detection
• Title（参考訳）: AIによる画像検出のためのスペクトルタイル補助学習
• Authors: Xingyi Li, Jiahui Zhang, Yiheng Li, Yun Cao, Wenhao Wang,
• Abstract要約: 一般化可能なAI生成画像検出のためのStal(Spectral Tail Auxiliary Learning)を提案する。 STALは、トレーニング中にテール認識周波数教師から空間検出器にスペクトルテールキューを転送するが、全ての周波数ドメインモジュールは推論時に破棄される。 STALは、ジェネレータ、データ分散、実世界のシナリオをまたいだ強力な一般化と安定性を実現する。
• 参考スコア（独自算出の注目度）: 30.7508235642367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As generative image models evolve rapidly, the perceptual gap between generated and real images continues to narrow, making AI-generated image detection increasingly challenging. Many existing methods exploit frequency-domain cues for detection, typically described as frequency-domain artifacts or high-frequency discrepancies. However, the specific and recurring spectral regularities remain insufficiently understood and characterized. In this paper, we systematically analyze the one-dimensional radial log-power spectra of real and generated images. We find that generated images do not necessarily exhibit higher or lower energy across the entire spectrum or high-band range. Instead, their spectra deviate from the power-law decay and show an anomalous uplift in the ultra-high-frequency tail. We term this phenomenon spectral tail uplift. We further attribute this phenomenon to nonlinear harmonic accumulation in trained generative models, suggesting that it can serve as a structural cue across generative architectures. Based on this observation, we propose Spectral Tail Auxiliary Learning (STAL), a frequency-domain auxiliary supervision framework for generalizable AI-generated image detection. STAL transfers spectral-tail cues from a tail-aware frequency teacher to a spatial detector during training, while all frequency-domain modules are discarded at inference time. Consequently, STAL introduces no inference overhead. Extensive experiments on 9 public datasets show that STAL achieves strong generalization and stability across generators, data distributions, and real-world scenarios.
• Abstract（参考訳）: 生成画像モデルが急速に進化するにつれて、生成された画像と実際の画像の間の知覚的ギャップは狭まり続け、AI生成画像の検出がますます困難になる。 既存の多くの手法は、周波数領域のアーチファクトまたは高周波の相違として記述される周波数領域のキューを用いて検出する。 しかし、特定のスペクトル規則性および繰り返しのスペクトル規則性は未だ十分に理解されておらず、特徴的である。 本稿では,実画像と生成画像の1次元ラジアルログパワースペクトルを体系的に解析する。 生成した画像は、スペクトル全体や高帯域範囲の高エネルギーや低エネルギーを必ずしも示さないことがわかった。 その代わりに、彼らのスペクトルはパワー・ローの崩壊から逸脱し、超高周波尾部における異常な隆起を示す。 この現象をスペクトル尾上げと呼ぶ。 さらに、この現象は、訓練された生成モデルにおける非線形調和蓄積によるものとみなし、生成的アーキテクチャを横断する構造的キューとして機能することを示唆する。 そこで本研究では,AI生成画像検出のための周波数領域補助監視フレームワークであるSpectral Tail Auxiliary Learning (STAL)を提案する。 STALは、トレーニング中にテール認識周波数教師から空間検出器にスペクトルテールキューを転送するが、全ての周波数ドメインモジュールは推論時に破棄される。 その結果、STALは推論オーバーヘッドを導入しない。 9つの公開データセットに関する大規模な実験は、STALがジェネレータ、データ分散、実世界のシナリオ間で強力な一般化と安定性を達成することを示している。

関連論文リスト

• AnyBand-Diff: A Unified Remote Sensing Image Generation and Band Repair Framework with Spectral Priors [10.352581041881864]
  本稿では,頑健なスペクトル再構成に適したスペクトル優先拡散フレームワークであるAnyBand-Diffを紹介する。 ラジオメトリックの忠実性を確保するため,物理誘導サンプリング機構を提案する。 実験は、AnyBand-Diffが信頼できる画像を生成するための有効性を確認する。
  論文  参考訳（メタデータ） (2026-05-14T04:04:34Z)
• Phy-CoSF: Physics-Guided Continuous Spectral Fields Reconstruction and Super-Resolution for Snapshot Compressive Imaging [79.35520607451187]
  暗黙のニューラル表現で深層展開ネットワークを相乗化するPhy-CoSFを提案する。 具体的には、連続的なスペクトルレンダリングで離散波長トレーニングをブリッジする2相アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-05-13T14:17:02Z)
• Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
  そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。 拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
  論文  参考訳（メタデータ） (2025-07-02T01:22:46Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• Generalizable AI-Generated Image Detection Based on Fractal Self-Similarity in the Spectrum [38.302088844940556]
  スペクトルのフラクタル自己相似性に基づく新しい検出法を提案する。 本稿では,AI生成画像が周期的拡張と低域通過フィルタリングによってフラクタル様のスペクトル成長を示すことを示す。 提案手法は, 異なる発電機間で異なるスペクトル特性の影響を緩和し, 未知モデルからの画像の検出性能を向上させる。
  論文  参考訳（メタデータ） (2025-03-11T14:37:06Z)
• Any-Resolution AI-Generated Image Detection by Spectral Learning [36.562914181733426]
  我々は、実画像のスペクトル分布が、AI生成画像検出のための不変パターンと高識別パターンの両方を構成するというキーとなる考え方を構築した。 提案手法は, これまでの13の世代的アプローチと比較して, AUCの絶対的な改善を5.5%達成している。
  論文  参考訳（メタデータ） (2024-11-28T23:55:19Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• Spectrum Translation for Refinement of Image Generation (STIG) Based on Contrastive Learning and Spectral Filter Profile [15.5188527312094]
  生成した画像の周波数領域における相違を緩和する枠組みを提案する。 これは、コントラスト学習に基づく画像生成(STIG)の洗練のためのスペクトル変換によって実現される。 我々は,STIGの有効性を実証するために,8つのフェイク画像データセットと様々な最先端モデルにまたがるフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2024-03-08T06:39:24Z)

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。