論文の概要: ForensicConcept: Transferable Forensic Concepts for AIGI Detection

• arxiv url: http://arxiv.org/abs/2606.07034v1
• Date: Fri, 05 Jun 2026 08:25:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.640214
• Title: ForensicConcept: Transferable Forensic Concepts for AIGI Detection
• Title（参考訳）: ForensicConcept: AIGI検出のための転送可能なForensic概念
• Authors: Menyanshu Zhou, Ziyin Zhou, Ke Sun, Yunpeng Luo, Jiayi Ji, Xiaoshuai Sun, Rongrong Ji,
• Abstract要約: 本稿では,検出器から明示的な法医学的概念を抽出し,背骨間の移動を可能にするフレームワークであるForensicConceptを提案する。 提案手法は,Transformer Attributionを用いて決定クリティカルパッチをローカライズし,それらをコンパクトな概念コードブックにまとめる。
• 参考スコア（独自算出の注目度）: 81.29606528968698
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-generated image detectors achieve high accuracy on in-distribution data but often fail on unseen generators. A key obstacle to understanding this failure is the black-box nature of current detectors: they do not reveal which evidence drives their decisions. We propose ForensicConcept, a framework that extracts explicit forensic concepts from detectors and enables their transfer across backbones. Our method localizes decision-critical patches via Transformer attribution, clusters them into a compact concept codebook, and uses a concept-aligned projection to produce auditable evidence readouts. Motivated by prior studies showing that DINO representations can guide diffusion generation and exhibit concept-level correspondence with diffusion features, we introduce a generation-trace reference based on CleanDIFT diffusion features and quantify backbone-trace alignment via neighborhood-structure consistency (CKNNA). We further propose concept codebook injection to transfer diffusion-derived concepts into target backbones. Experiments on GenImage, GAN-family, and Chameleon benchmarks show consistent improvements over prior methods. We also find that CKNNA alignment predicts transfer effectiveness, providing a principled explanation for why some backbones yield more transferable forensic evidence than others.
• Abstract（参考訳）: AI生成画像検出器は、分配データに対して高い精度を達成するが、しばしば目に見えない発電機で失敗する。 この失敗を理解するための重要な障害は、現在の検出器のブラックボックスの性質である。 本稿では,検出器から明示的な法医学的概念を抽出し,背骨間の移動を可能にするフレームワークであるForensicConceptを提案する。 提案手法は,Transformer Attributionを用いて決定クリティカルパッチをローカライズし,それらをコンパクトな概念コードブックにまとめる。 従来の研究では、DINO表現が拡散生成を誘導し、拡散特徴と概念レベルの対応を示すことが示唆され、クリーンDIFT拡散特徴に基づく生成トレース参照を導入し、近傍構造整合性(CKNNA)によるバックボーン・トレースアライメントの定量化を行う。 さらに,拡散から導かれる概念を対象のバックボーンに伝達するコードブックインジェクションを提案する。 GenImage、GANファミリー、Chameleonベンチマークの実験は、以前の方法よりも一貫した改善を示している。 また、CKNNAアライメントは転送効率を予測し、バックボーンが他のものよりも転送可能な法医学的証拠をもたらす理由を原則的に説明する。

関連論文リスト

• Probabilistic Concept Graph Reasoning for Multimodal Misinformation Detection [50.08054676999716]
  確率論的概念グラフ推論(PCGR)は,マルチモーダルな誤情報検出を構造化および概念ベース推論として再構成する,解釈可能かつ進化可能なフレームワークである。 PCGRは、最先端のMDD精度と、新たな操作タイプに対する堅牢性を達成し、粗い検出ときめ細かい操作認識の両方において、先行手法より優れている。
  論文  参考訳（メタデータ） (2026-03-26T09:08:31Z)
• REVEAL: Reasoning-enhanced Forensic Evidence Analysis for Explainable AI-generated Image Detection [30.963994372913092]
  我々は、AI生成画像検出のための最初の推論強化マルチモーダルベンチマークである textbfREVEAL-Bench を紹介する。 筆者らのフレームワークは,検出を専門家による新しい強化学習と統合する。 REVEALは検出精度、説明忠実度、堅牢なクロスモデル一般化を著しく向上させる。
  論文  参考訳（メタデータ） (2025-11-28T13:11:08Z)
• On Thin Ice: Towards Explainable Conservation Monitoring via Attribution and Perturbations [3.4574594310498266]
  我々は、Glacier Bay National Parkの航空画像を用いて、港のアザラシを検出するために、より高速なR-CNNを訓練する。 フィールド利用に関連する3つの軸に沿った説明を評価する。 これらの知見をモデル開発のための実用的な次のステップに変換する。
  論文  参考訳（メタデータ） (2025-10-24T17:46:24Z)
• StableGuard: Towards Unified Copyright Protection and Tamper Localization in Latent Diffusion Models [55.05404953041403]
  拡散生成プロセスにバイナリ透かしをシームレスに統合する新しいフレームワークを提案する。 画像の忠実さ、透かしの検証、ローカライゼーションの改ざんにおいて、StableGuardは一貫して最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-22T16:35:19Z)
• Concept-TRAK: Understanding how diffusion models learn concepts through concept-level attribution [20.93589028730206]
  我々は,emphConcept-TRAKと呼ばれる新しい手法を用いて,emphConceptレベルの属性を導入する。 概念TRAKは,(1)拡散後サンプリングに基づく拡散訓練損失の修正と,(2)意味的関連性を重視した概念認識報酬関数である。
  論文  参考訳（メタデータ） (2025-07-09T05:03:57Z)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)
• Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
  画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。 本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。 本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-13T18:05:36Z)

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。