論文の概要: Forged Calamity: Benchmark for Cross-Domain Synthetic Disaster Detection in the Age of Diffusion
- arxiv url: http://arxiv.org/abs/2606.18554v1
- Date: Wed, 17 Jun 2026 00:08:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:50.938994
- Title: Forged Calamity: Benchmark for Cross-Domain Synthetic Disaster Detection in the Age of Diffusion
- Title（参考訳）: 埋設キャラミティ:拡散期におけるクロスドメイン合成災害検出のベンチマーク
- Authors: Duc-Manh Phan, Quoc-Duy Tran, Duy-Khang Do, Anh-Tuan Vo, Hai-Dang Nguyen, Trong Le Do, Mai-Khiem Tran, Vinh-Tiep Nguyen, Tam V. Nguyen, Isao Echizen, Minh-Triet Tran, Trung-Nghia Le,
- Abstract要約: 3万枚の画像を含む合成災害検出のためのベンチマークデータセットであるForged Calamityを紹介した。
微調整およびゼロショット設定による実験は、現在の法医学的アプローチにおける一貫した弱点を明らかにしている。
これらの知見は、持続的な一般化ギャップと、ドメインおよびモデルに依存しない検出方法の緊急の必要性を浮き彫りにしている。
- 参考スコア（独自算出の注目度）: 20.58307772592017
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The rapid advancement of text-to-image diffusion models has enabled the creation of highly photorealistic synthetic images that closely resemble real photographs, making it increasingly difficult to distinguish authentic content from AI-generated fabrications. This poses challenges for cybersecurity, digital forensics, and disaster response, where fake imagery of floods, fires, or earthquakes can spread misinformation or disrupt emergency operations. To address this, we introduce Forged Calamity, a benchmark dataset for synthetic disaster detection containing 30,000 images, including 6,000 real and 24,000 synthetic samples generated by four diffusion models. Comprehensive experiments across fine-tuned and zero-shot settings reveal consistent weaknesses in current forensic approaches. Fine-tuned detectors perform well in-distribution but lose up to 50\% accuracy on unseen generators or disaster types, showing overfitting to model-specific artifacts. Zero-shot generalized detectors also struggle to maintain stable accuracy, with only limited resilience in a few representation-robust models. These findings highlight persistent generalization gaps and the urgent need for domain- and model-agnostic detection methods to ensure visual authenticity in the diffusion era.
- Abstract（参考訳）: テキストと画像の拡散モデルの急速な進歩により、実際の写真と密接に類似した高光写実性合成画像の作成が可能になったため、AI生成物と真のコンテンツを区別することはますます困難になっている。
これは、サイバーセキュリティ、デジタル法医学、災害対応の課題であり、洪水、火災、地震の偽画像が誤報を拡散したり、緊急作戦を妨害する可能性がある。
そこで本研究では,4つの拡散モデルで生成した6,000の実画像と24,000の合成サンプルを含む3万の画像を含む,合成災害検出のためのベンチマークデータセットであるForged Calamityを紹介する。
微調整およびゼロショット設定による総合的な実験は、現在の法医学的アプローチにおける一貫した弱点を明らかにする。
微調整された検出器は、よく分布するが、見えない発電機や災害タイプでは最大50%の精度が失われ、モデル固有のアーティファクトに過度に適合している。
ゼロショット一般化検出器は、いくつかの表現ロバストモデルでしかレジリエンスを保たず、安定した精度を維持するのにも苦労する。
これらの知見は、拡散期における視覚的正当性を確保するために、永続的な一般化ギャップと、ドメインおよびモデルに依存しない検出方法の緊急の必要性を浮き彫りにしている。
関連論文リスト
- Detecting AI-Generated Images via Diffusion Snap-Back Reconstruction: A Forensic Approach [0.0]
従来のディープフェイク検出方法は、Stable DiffusionやDALL-Eのようなテキストと画像のシステムでは失敗する。
本稿では,多強度画像再構成を応用した拡散型法科学フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-01T01:35:54Z) - Who Made This? Fake Detection and Source Attribution with Diffusion Features [0.15293427903448018]
FRIDA(Deepfake Detection and Source Attribution)というフレームワークを紹介した。
コンパクトなニューラルモデルは正確なソース属性を可能にする。
その結果、拡散表現は本質的にジェネレータ固有のパターンを符号化していることがわかった。
論文 参考訳（メタデータ） (2025-10-31T16:27:34Z) - Bridging the Gap Between Ideal and Real-world Evaluation: Benchmarking AI-Generated Image Detection in Challenging Scenarios [54.07895223545793]
本稿では,実世界ロバストネスデータセット(RRDataset)を導入し,3次元にわたる検出モデルの包括的評価を行う。
RRDatasetには7つの主要なシナリオの高品質なイメージが含まれている。
我々はRRDataset上で17の検出器と10の視覚言語モデル(VLM)をベンチマークし、大規模な人間実験を行った。
論文 参考訳（メタデータ） (2025-09-11T06:15:52Z) - Is Artificial Intelligence Generated Image Detection a Solved Problem? [16.9828631287303]
AIGIBenchは、最先端AIGI検出器の堅牢性と一般化能力を厳格に評価するために設計されたベンチマークである。
マルチソースの一般化、画像劣化に対する堅牢性、データ拡張に対する敏感性、テスト時間前処理の影響の4つのコアタスクを通じて、現実世界の課題をシミュレートする。
ソーシャルメディアやAIアートプラットフォームから収集された実世界のサンプルとともに、高度な画像生成技術と広く採用されている画像生成技術の両方にまたがる、23の多様なフェイクイメージサブセットが含まれている。
論文 参考訳（メタデータ） (2025-05-18T10:00:39Z) - Explainable Synthetic Image Detection through Diffusion Timestep Ensembling [30.298198387824275]
本稿では,複数の雑音の時間ステップでアンサンブルを訓練することにより,中間雑音画像の特徴を直接活用する合成画像検出手法を提案する。
人間の理解を深めるために,メートル法に基づく説明文生成と改良モジュールを導入する。
本手法は, 正解率98.91%, 正解率95.89%, 正解率95.89%, 正解率98.91%, 正解率95.89%である。
論文 参考訳（メタデータ） (2025-03-08T13:04:20Z) - 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) - Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。
それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。
以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
論文 参考訳（メタデータ） (2024-11-12T01:17:27Z) - StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。
ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
論文 参考訳（メタデータ） (2024-08-11T01:22:29Z) - Diffusion Facial Forgery Detection [56.69763252655695]
本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。
人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。
その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
論文 参考訳（メタデータ） (2024-01-29T03:20:19Z) - On quantifying and improving realism of images generated with diffusion [50.37578424163951]
与えられた画像の5つの統計的測度から算出した画像リアリズムスコア(IRS)と呼ばれるメトリクスを提案する。
IRSは、与えられた画像を実または偽のものとして分類する手段として容易に利用できる。
我々は,安定拡散モデル (SDM) , Dalle2, Midjourney, BigGAN による偽画像の検出に成功して,提案したIRSのモデルおよびデータに依存しない性質を実験的に確立した。
このデータセットは、高品質の4つのモデルによって生成される100のクラスに対して1,000のサンプルを提供します。
論文 参考訳（メタデータ） (2023-09-26T08:32:55Z)
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。