論文の概要: Dissect and Prune: Enhancing Robustness in AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2606.10309v1
• Date: Tue, 09 Jun 2026 01:55:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.256201
• Title: Dissect and Prune: Enhancing Robustness in AI-Generated Image Detection
• Title（参考訳）: Dissect and Prune:AI生成画像検出におけるロバスト性向上
• Authors: Dahye Kim, Jaehyun Choi, Hyun Seok Seong, Seongho Kim, Donghun Lee, Sungwon Yi, Jang-Ho Choi,
• Abstract要約: 既存のAI生成画像検出器は高性能を報告している。 現実の階級への偏見は 生成コンテンツに対する感受性を著しく制限します インペイントされた画像を利用してこれらの干渉成分を識別しプーンするDissect and Pruneを提案する。
• 参考スコア（独自算出の注目度）: 17.159832771952136
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: While existing AI-generated image detectors report high performance, we identify that this is largely driven by a critical prediction asymmetry: a bias toward the real class that severely limits sensitivity to generated content, especially under standard post-processing operations such as compression and resizing. We hypothesize that this stems from the model's reliance on spurious features, distracting signals that obscure true generative artifacts. To address this, we propose DEAR (Dissect and Prune), which leverages inpainted images to identify and prune these interfering components. Specifically, we find that features strongly aligned to either inpainted or non-inpainted regions are less robust to post-processing. By measuring the alignment between channel activations and inpaint masks, DEAR removes features at both extremes, retaining only those that capture genuine generative artifacts. Experimental results demonstrate that our approach significantly enhances robustness against unseen generators and post-processing, effectively mitigating the prediction asymmetry. Our code is available at https://github.com/dahyedahye/dear.
• Abstract（参考訳）: 既存のAI生成画像検出器は高い性能を報告しているが、これは主に臨界予測非対称性(特に圧縮や再サイズのような標準的な後処理操作の下で、生成されたコンテンツに対する感度を著しく制限する実クラスへの偏見)によって引き起こされている。 これは、モデルが突発的な特徴に依存していることに起因していると仮定し、真の生成的アーティファクトを曖昧にするためのシグナルを逸脱する。 そこで我々は,これらの干渉成分の識別とプーンにインペイント画像を利用するDEAR(Dissect and Prune)を提案する。 具体的には、塗布された領域と非塗布された領域に強く整合した特徴は、後処理に対する堅牢性が低いことが分かる。 チャネルアクティベーションと塗装マスクのアライメントを測定することで、DEARは両方の極端にある特徴を除去し、真の生成物をキャプチャする機能のみを保持する。 実験により,本手法は未知の発電機や後処理に対するロバスト性を著しく向上し,予測非対称性を効果的に緩和することを示した。 私たちのコードはhttps://github.com/dahyedahye/dear.comで公開されています。

関連論文リスト

• AI-Generated Image Detectors Overrely on Global Artifacts: Evidence from Inpainting Exchange [1.2944480428047747]
  VAEをベースとした再構成は、未編集領域を含む画像全体にわたって微妙に広範にスペクトルシフトを引き起こす。 Inpainting Exchange (INP-X) は、編集領域外の元のピクセルを復元し、すべての合成コンテンツを保存する操作である。 本研究の成果は,コンテンツ認識検出の必要性を浮き彫りにするものである。
  論文  参考訳（メタデータ） (2026-01-30T09:14:10Z)
• Detecting Generated Images by Fitting Natural Image Distributions [75.31113784234877]
  本稿では,自然画像と生成画像のデータ多様体間の幾何学的差異を利用した新しいフレームワークを提案する。 自然画像に対して一貫した出力を出力するために設計された関数対を用いるが、生成した関数に対しては発散出力を用いる。 データ多様体に沿った変換が、自然画像上で事前訓練された自己教師付きモデルの損失値に有意な変化をもたらす場合、画像は生成されたものとして識別される。
  論文  参考訳（メタデータ） (2025-11-03T07:20:38Z)
• Active Adversarial Noise Suppression for Image Forgery Localization [56.98050814363447]
  本稿では、敵騒音の攻撃効果を抑制するために、防御的摂動を発生させる敵騒音抑制モジュール(ANSM)を提案する。 我々の知る限りでは、画像フォージェリローカライゼーションタスクにおける敵対的防御の報告としてはこれが初めてである。
  論文  参考訳（メタデータ） (2025-06-15T14:53:27Z)
• Stay-Positive: A Case for Ignoring Real Image Features in Fake Image Detection [31.23513370504603]
  生成モデルによって導入されたアーティファクトを含む場合に限り、画像は偽物として分類されるべきである。 本研究では,実データに関連付けられているものを無視しながら,検出対象を生成成果物に限定するアルゴリズムであるStay Positiveを提案する。
  論文  参考訳（メタデータ） (2025-02-11T18:59:10Z)
• 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)
• Improving Synthetic Image Detection Towards Generalization: An Image Transformation Perspective [45.210030086193775]
  現在の合成画像検出(SID)パイプラインは、主に普遍的なアーティファクト機能を構築することを目的としている。 3つの簡単な画像変換を持つ軽量かつ効率的な検出器SAFEを提案する。 我々のパイプラインは、新しい最先端のパフォーマンスを実現し、既存の手法に対する平均精度は4.5%、平均精度は2.9%向上した。
  論文  参考訳（メタデータ） (2024-08-13T09:01:12Z)
• Improving Accuracy-robustness Trade-off via Pixel Reweighted Adversarial Training [61.61368146268329]
  また,Pixel-reweighted AdveRsarial Training (PART)を提案する。 CIFAR-10、SVHN、TinyImagenet-200の堅牢性を損なうことなく、精度の顕著な向上を実現している。
  論文  参考訳（メタデータ） (2024-06-02T09:43:34Z)
• Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
  ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。 本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。 種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
  論文  参考訳（メタデータ） (2021-05-29T21:22:24Z)
• High-Resolution Image Inpainting with Iterative Confidence Feedback and Guided Upsampling [122.06593036862611]
  既存の画像塗装法は、実アプリケーションで大きな穴を扱う際に、しばしばアーティファクトを生成する。 本稿では,フィードバック機構を備えた反復インペイント手法を提案する。 実験により,本手法は定量評価と定性評価の両方において既存手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-05-24T13:23:45Z)

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。