論文の概要: CoDA: Color Distribution Probing for Efficient and Generalizable AI-Generated Image Detection
- arxiv url: http://arxiv.org/abs/2605.24306v1
- Date: Sat, 23 May 2026 00:35:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:17.862837
- Title: CoDA: Color Distribution Probing for Efficient and Generalizable AI-Generated Image Detection
- Title（参考訳）: CoDA: 効率的で一般化可能なAI生成画像検出のための色分布探索
- Authors: Zexi Jia, Zhiqiang Yuan, Xiaoyue Duan, Jinchao Zhang, Jie Zhou, Anil K. Jain,
- Abstract要約: FakeFormは、62のドメインにわたる約370,000の画像で、クロスモデルとクロスドメイン評価の両方を対象とする大規模なベンチマークである。
ノイズ量子化プローブ上に構築された1.48Mパラメータのコンパクト検出器であるCoDAと、プローブ応答と色の不均一性をリンクする理論的解析を提案する。
実験により、CoDAは標準ベンチマークで最先端のパフォーマンスを達成し、FakeFormのクロスドメイン評価に挑戦する最良の結果が得られた。
- 参考スコア（独自算出の注目度）: 32.71127904125444
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-generated image detection faces a persistent trade-off between generalization and efficiency: lightweight artifact-based methods often degrade on unseen generators or domains, whereas more robust large-scale models are computationally expensive. Meanwhile, existing benchmarks mainly focus on cross-model evaluation in photorealistic settings, leaving cross-domain robustness underexplored. To address this gap, we introduce FakeForm, a large-scale benchmark with approximately 370,000 images across 62 diverse domains for both cross-model and cross-domain evaluation. Motivated by this broader setting, we revisit color-distribution probing as an efficient complementary cue for AI-generated image detection. We observe that, especially for photographic content, real photographs tend to exhibit smoother and more stable color patterns, whereas synthetic images often show characteristic color imbalances introduced by neural generation. Based on this observation, we propose CoDA, a compact 1.48M-parameter detector built on a Noise-Quantization Probe, together with a theoretical analysis linking probe responses to color non-uniformity. Experiments show that CoDA achieves state-of-the-art performance on standard benchmarks and the best results on the challenging cross-domain evaluation of FakeForm, while remaining highly competitive in cross-model photorealistic settings. These results suggest that persistent generative artifacts can provide a practical foundation for efficient and robust AI-generated image detection. The models and FakeForm benchmark will be made publicly available.
- Abstract（参考訳）: 軽量なアーティファクトベースの手法は、目に見えないジェネレータやドメインで分解されることが多いが、より堅牢な大規模モデルは計算コストがかかる。
一方、既存のベンチマークは主にフォトリアリスティックな設定におけるクロスモデル評価に重点を置いており、クロスドメインの堅牢性は未調査のままである。
このギャップに対処するため、62の異なる領域にわたる約370,000の画像を持つ大規模ベンチマークであるFakeFormを導入し、クロスモデルとクロスドメインの評価を行った。
この広義の設定により、我々は、AI生成画像検出のための効率的な補完的キューとして、色分布探索を再考する。
本研究では,特に写真コンテンツにおいて,実際の写真はよりスムーズで安定した色パターンを示す傾向があり,合成画像はニューラルジェネレーションによって生じる特徴的な色の不均衡を示すことが多いことを観察する。
この観測に基づいて,ノイズ量子化プローブ上に構築された1.48Mパラメータの小型検出器CoDAと,プローブ応答とカラー非均一性との相関関係を理論的に解析するCoDAを提案する。
実験の結果、CoDAは標準ベンチマークで最先端のパフォーマンスを達成し、FakeFormのドメイン間評価に挑戦する上で最高の結果を得る一方で、クロスモデルフォトリアリスティックな設定では高い競争力を維持していることがわかった。
これらの結果は、永続的な生成アーティファクトが、効率的で堅牢なAI生成画像検出の実践的基盤となることを示唆している。
モデルとFakeFormベンチマークが公開される予定だ。
関連論文リスト
- GenShield: Unified Detection and Artifact Correction for AI-Generated Images [65.11434977803509]
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。
論文 参考訳（メタデータ） (2026-05-15T16:06:20Z) - Intermediate Representations are Strong AI-Generated Image Detectors [51.7378156094049]
中間層にデータ感度を埋め込んでAI生成画像を検出する検索手法を提案する。
提案手法は, 実画像とAI生成画像の集合を考慮し, 原画像の埋め込みと摂動画像の埋め込みの類似性を調べ, 類似性に基づいてAI生成画像を検出する。
本手法は,Forensics Smallベンチマークにおいて,AUROCスコアの最良のトレーニングベース手法と比較して39.61%向上し,5.14%向上した。
論文 参考訳（メタデータ） (2026-05-05T23:26:02Z) - Color Matters: Demosaicing-Guided Color Correlation Training for Generalizable AI-Generated Image Detection [10.845173807400533]
本稿では,AI生成画像検出のためのデモサイジング誘導色相関トレーニングフレームワークを提案する。
自己教師付きU-Netは、与えられたチャネルから欠落したチャネルの条件分布をモデル化するように訓練される。
理論的解析の結果,DCCTは画像とAI生成画像間の色相関特性の分布特性の証明可能な差異を目標としていることが明らかとなった。
論文 参考訳（メタデータ） (2026-01-30T10:01:49Z) - Detecting AI-Generated Images via Distributional Deviations from Real Images [6.615773227400183]
ファインチューニング中に生成モデル固有のパターンを含むテクスチャ領域をマスクするテクスチャ・アウェア・マスキング(TAM)機構を導入する。
我々の手法は最小限の画像しか調整されず、既存の手法よりも大幅に優れており、2つのデータセットの平均精度は98.2%と94.6%に達する。
論文 参考訳（メタデータ） (2026-01-07T05:00:13Z) - 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) - $\bf{D^3}$QE: Learning Discrete Distribution Discrepancy-aware Quantization Error for Autoregressive-Generated Image Detection [85.9202830503973]
視覚的自己回帰(AR)モデルは、離散トークン予測を通じて画像を生成する。
本稿では,離散分布離散性を考慮した量子化誤差(D$3$QE)を自己回帰画像検出に活用することを提案する。
論文 参考訳（メタデータ） (2025-10-07T13:02:27Z) - 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) - Time Step Generating: A Universal Synthesized Deepfake Image Detector [0.4488895231267077]
汎用合成画像検出器 Time Step Generating (TSG) を提案する。
TSGは、事前訓練されたモデルの再構築能力、特定のデータセット、サンプリングアルゴリズムに依存していない。
我々は,提案したTSGを大規模GenImageベンチマークで検証し,精度と一般化性の両方において大幅な改善を実現した。
論文 参考訳（メタデータ） (2024-11-17T09:39:50Z) - 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。