論文の概要: CHROMA: Detecting AI-Generated Images through Inter-Channel Color-Space Correlations

• arxiv url: http://arxiv.org/abs/2606.08864v1
• Date: Sun, 07 Jun 2026 22:31:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.493335
• Title: CHROMA: Detecting AI-Generated Images through Inter-Channel Color-Space Correlations
• Title（参考訳）: ChROMA: チャネル間色空間相関によるAI生成画像の検出
• Authors: Juan Pablo Sotelo, Marina Gardella, Pablo Musé,
• Abstract要約: チャネル間色相関は、軽量で未発見の法医学的キューである。 我々は、標準RGB入力をチャネル間相関マップで拡張する、AI生成画像の検出器であるChromaを紹介する。
• 参考スコア（独自算出の注目度）: 1.6422228534416803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid adoption of diffusion and large-scale generative models has made it increasingly challenging to distinguish synthetic imagery from real photographs. While automated detectors have been proposed, their generalization to unseen generators remains brittle. To address this limitation, we investigate inter-channel color correlations, a lightweight and underexploited forensic cue. We first demonstrate that LPIPS, a widely used perceptual metric, exhibits inconsistent responses to perturbations that selectively alter channel dependence across different color-space parameterizations, indicating that cross-channel statistics are not uniformly constrained by common perceptual training objectives. Motivated by this, we analyze the distributions of pairwise inter-channel correlation features across multiple color spaces. Our analysis reveals systematic, generator-specific differences in these distributions, with RGB and Lab color spaces providing the most apparent separation between real and generated images. Building on this, we introduce Chroma, a detector of AI-generated images which augments standard RGB inputs with inter-channel correlation maps and employs a fixed CNN backbone trained with a modest computational budget. We assess its robustness under both single-generator training and a limited multi-generator supervision regime, where only a few samples from additional generators are available. Across a standard benchmark protocol, correlation-augmented inputs improve real-vs-generated discrimination and robustness, yielding performance competitive with recent detectors while maintaining a simple architecture and training procedure. Code is available at https://github.com/JPSoteloSilva/CHROMA
• Abstract（参考訳）: 拡散と大規模生成モデルの急速な普及により、合成画像と実際の写真との区別がますます困難になっている。 自動検出器が提案されているが、見えない発電機への一般化は依然として不安定である。 この制限に対処するために、我々は、軽量で未開の法医学的キューであるチャネル間色相関について検討する。 まず,広義の知覚計量であるLPIPSは,異なる色空間パラメータ化のチャネル依存性を選択的に変化させる摂動に対する不整合応答を示し,クロスチャネル統計が共通の知覚的学習目標によって一様に制約されないことを示す。 そこで本研究では,複数の色空間にまたがる一対のチャネル間相関特性の分布を解析した。 RGBとLabの色空間は、実画像と生成画像の最も明確な分離を提供する。 この上に構築されたChromaは、標準的なRGB入力をチャネル間相関マップで拡張し、控えめな計算予算でトレーニングされた固定CNNバックボーンを使用する、AI生成画像の検出装置である。 単一ジェネレータトレーニングと限定的なマルチジェネレータ監視体制の両方の下で、その堅牢性を評価し、追加ジェネレータからのサンプルはわずかである。 標準ベンチマークプロトコル全体において、相関強化された入力は、実際のvs生成の識別と堅牢性を改善し、単純なアーキテクチャとトレーニング手順を維持しながら、最近の検出器と競合する性能をもたらす。 コードはhttps://github.com/JPSoteloSilva/CHROMAで入手できる。

関連論文リスト

• CoDA: Color Distribution Probing for Efficient and Generalizable AI-Generated Image Detection [32.71127904125444]
  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。
  論文  参考訳（メタデータ） (2026-05-23T00:35:55Z)
• 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)
• SMKC: Sketch Based Kernel Correlation Images for Variable Cardinality Time Series Anomaly Detection [0.0]
  運用環境では、監視システムはセンサーチャーンを頻繁に経験する。 本稿では,異常検出器から動的入力構造を分離するフレームワークSMKCを提案する。 SMKC表現におけるランダムプロジェクションと近傍近傍の検出器は、完全に訓練されたベースラインと競合する。
  論文  参考訳（メタデータ） (2026-01-28T21:15:11Z)
• Beyond Frequency: Scoring-Driven Debiasing for Object Detection via Blueprint-Prompted Image Synthesis [97.37770785712475]
  オブジェクト検出のための世代ベースデバイアスフレームワークを提案する。 提案手法は,未表現オブジェクト群の性能ギャップを著しく狭める。
  論文  参考訳（メタデータ） (2025-10-21T02:19:12Z)
• $\bf{D^3}$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)
• Synthetic Image Detection via Spectral Gaps of QC-RBIM Nishimori Bethe-Hessian Operators [0.0]
  本稿では,スパース重み付きグラフ上でのコミュニティ検出問題として,合成画像識別を扱うモデル非依存検出器を提案する。 Flickr-Faces-HQ と CelebA の実際の写真と、GAN と拡散モデルにより生成された合成写真を用いて、猫対犬対男性対女性対バイナリタスクのアプローチを検証する。 我々の貢献は、深部画像の特徴を埋め込んだ新しいLDPCグラフ構築、西森温度RBIMとベーテ・ヘッセンスペクトル間の解析的リンク、新しい生成アーキテクチャに頑健な実用的で教師なしの合成画像検出器である。
  論文  参考訳（メタデータ） (2025-08-27T09:06:53Z)
• Breaking Modality Disparity: Harmonized Representation for Infrared and Visible Image Registration [66.33746403815283]
  シーン適応型赤外線と可視画像の登録を提案する。 我々は、異なる平面間の変形をシミュレートするためにホモグラフィーを用いる。 我々は、まず、赤外線と可視画像のデータセットが不一致であることを示す。
  論文  参考訳（メタデータ） (2023-04-12T06:49:56Z)
• Detecting Recolored Image by Spatial Correlation [60.08643417333974]
  画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。 本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。 提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
  論文  参考訳（メタデータ） (2022-04-23T01:54:06Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。