論文の概要: AI-Generated Image Recognition via Fusion of CNNs and Vision Transformers
- arxiv url: http://arxiv.org/abs/2606.27637v1
- Date: Fri, 26 Jun 2026 01:27:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.349506
- Title: AI-Generated Image Recognition via Fusion of CNNs and Vision Transformers
- Title（参考訳）: CNNと視覚変換器の融合によるAI生成画像認識
- Abstract要約: 合成データ技術の最近の進歩は、顕著な品質の画像が生成される新しい時代を開いた。
提案手法は,AI生成画像の識別のための複数の検出手法の強みを組み合わせ,融合戦略の活用を中心に展開する。
我々のモデルは顕著な性能を示し、97.32%の精度を達成した。
- 参考スコア（独自算出の注目度）: 9.914251544971686
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent advancements in synthetic data technology have opened a new era where images of remarkable quality are generated, blurring the lines between real-life images and those produced by Artificial Intelligence (AI). This evolution poses a significant challenge to ensuring the reliability and authenticity of data, underscoring the need for robust detection methods. In this paper, we present a robust approach aimed at addressing these pressing concerns. Our methodology revolves around leveraging fusion strategies, combining the strengths of multiple detection methods for identifying AI-generated images. Through extensive experimentation on the CIFAKE dataset, our model showcases remarkable performance, achieving an impressive accuracy rate of 97.32%. This accomplishment underscores the efficacy of our approach in accurately distinguishing between AI-generated images and real-life images, thus contributing to the advancement of data authentication techniques amidst the proliferation of synthetic data.
- Abstract（参考訳）: 合成データ技術の最近の進歩は、目覚ましい品質の画像が生成され、現実のイメージと人工知能(AI)が生み出す画像の境界線を曖昧にする新しい時代を開いた。
この進化はデータの信頼性と信頼性を確保する上で大きな課題となり、ロバストな検出方法の必要性を強調している。
本稿では,これらのプレッシャーに対処するための頑健なアプローチを提案する。
提案手法は,AI生成画像の識別のための複数の検出手法の強みを組み合わせ,融合戦略の活用を中心に展開する。
CIFAKEデータセットの広範な実験を通じて、我々のモデルは顕著な性能を示し、97.32%の精度を達成した。
この成果は,AI生成画像と実生活画像とを正確に区別する手法の有効性を裏付けるものであり,合成データの拡散に伴うデータ認証技術の進歩に寄与する。
関連論文リスト
- SSAFE: Simple and Strong AI-Generated Image Detection via Frozen Vision Encoders [61.07733730455141]
現代のマルチモーダル視覚表現において,画像の真正性に関する情報がどのように符号化されているかを検討する。
我々は,学習用代表生成器のコンパクトな集合を選択する表現対応型データキュレーション戦略を開発した。
実験により、凍結したマルチモーダル表現と慎重にキュレートされたトレーニングデータを組み合わせることで、AI生成画像検出に対するシンプルで効果的なアプローチが示される。
論文 参考訳（メタデータ） (2026-06-07T13:56:17Z) - Findings of the Counter Turing Test: AI-Generated Image Detection [23.358538027776877]
AI生成画像のリアリズムの増大は、研究者、政策立案者、および業界のステークホルダーにとって、その検出を迫る関心を喚起する。
本稿では,AI生成画像検出のためのCounter Turing Test (CT2)を導入したDefactify 4.0ワークショップの成果を紹介する。
コンペティションは、(1)AI生成画像のバイナリ分類と(2)AI生成画像に責任がある特定の生成モデルの識別の2つの主要なタスクで構成された。
論文 参考訳（メタデータ） (2026-05-20T06:32:55Z) - 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) - Provenance of AI-Generated Images: A Vector Similarity and Blockchain-based Approach [3.632189127068905]
本稿では,AI生成画像と実(人間による)画像とを識別する組込み型AI画像検出フレームワークを提案する。
提案手法は,AI生成画像が他のAI生成コンテンツに近接していることを示す仮説に基づいている。
以上の結果から,中程度の摂動と高摂動が埋め込みシグネチャに最小限に影響を及ぼすことが確認された。
論文 参考訳（メタデータ） (2025-10-15T00:49:56Z) - 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) - Navigating the Challenges of AI-Generated Image Detection in the Wild: What Truly Matters? [9.916527862912941]
我々は、主要なソーシャルメディアプラットフォームから収集された実画像とAI生成画像の新しいデータセットであるITW-SMを紹介する。
実世界のシナリオにおけるAID性能に影響を与える4つの要因を同定する。
我々の修正は、実環境下での様々なAIDモデルに対して平均26.87%のAUC改善をもたらす。
論文 参考訳（メタデータ） (2025-07-14T12:56:55Z) - So-Fake: Benchmarking and Explaining Social Media Image Forgery Detection [75.79507634008631]
So-Fake-Setは、200万以上の高品質な画像、多様な生成源、35の最先端生成モデルを用いて合成された画像を備えたソーシャルメディア指向のデータセットである。
本稿では,高精度な偽造検出,高精度な位置推定,解釈可能な視覚論理による説明可能な推論に強化学習を利用する高度な視覚言語フレームワークであるSo-Fake-R1を提案する。
論文 参考訳（メタデータ） (2025-05-24T11:53:35Z) - A Novel Approach to Image Steganography Using Generative Adversarial Networks [0.0]
本稿では,GAN(Generative Adversarial Network)のパワーを活用した画像ステガノグラフィー手法を提案する。
慎重に設計されたGANアーキテクチャを用いることで,本手法は,従来のものと視覚的に区別できないステゴイメージの作成を確実にする。
その結果,Pak Signal-to-Noise Ratio (PSNR), Structure similarity Index Measure (SSIM),そして検出に対する堅牢性などの指標が大幅に改善された。
論文 参考訳（メタデータ） (2024-11-27T14:34:41Z) - Improving Interpretability and Robustness for the Detection of AI-Generated Images [6.116075037154215]
凍結したCLIP埋め込みに基づいて、既存の最先端AIGI検出手法を解析する。
さまざまなAIジェネレータが生成する画像が実際の画像とどのように異なるかを示す。
論文 参考訳（メタデータ） (2024-06-21T10:33:09Z) - 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) - A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
本稿では,DAF(Disdisrepancy Aware Framework)を提案する。
本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。
単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
論文 参考訳（メタデータ） (2023-10-11T15:21:40Z)
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。