論文の概要: Fleet: Few Shots Lead Effective AI-generated Image Detection
- arxiv url: http://arxiv.org/abs/2606.31082v1
- Date: Tue, 30 Jun 2026 03:15:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.062781
- Title: Fleet: Few Shots Lead Effective AI-generated Image Detection
- Title（参考訳）: AIが生成した画像の効果的な検出をリードするFleet
- Abstract要約: AI生成画像(AIGI)検出は、実験室のベンチマークから、オープンワールドの敵防衛への重要な移行が行われている。
これらの制限に対処するために、場は「静的一般化」を超えて「動的適応」という新しいパラダイムに拡張すべきだと提案する。
継続的数ショット進化の動的なパラダイムを開拓するフレームワークであるFleetを紹介します。
- 参考スコア（独自算出の注目度）: 27.024955754328346
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-generated image (AIGI) detection is undergoing a critical transition from laboratory benchmarks to open-world adversarial defense. The prevalent paradigm focuses on finding static feature spaces, assuming that some invariant artifacts learned from historical data can achieve universal zero-shot generalization. While achieving saturation on several AIGI benchmarks, this static hypothesis suffers a severe performance drop against rapidly evolving generators (e.g., SD3, Nano Banana Pro). To address these limitations, we propose that the field should expand beyond "static generalization" to a new paradigm of "dynamic adaptation". We introduce Fleet, a framework that pioneers a dynamic paradigm of continuous few-shot evolution, enabling rapid alignment with emerging generative threats. Fleet improves few-shot adaptation by replacing unconstrained feature updates with constrained routing correction, where avoidance routing redirects novel AI samples away from Non-AI-dominated routes within decoupled subspaces. To validate this, we present Treasure, a benchmark spanning 64 models and 360k images, featuring diverse architectures and 20 closed-source commercial engines. Experiments reveal that while static SOTA methods fail catastrophically on modern generators, Fleet restores performance from 20.4% to 73.1% with only 10-shot adaptation on "Doubao Seedream 4.0". Code and data are available at https://github.com/ICTMCG/Fleet .
- Abstract（参考訳）: AI生成画像(AIGI)検出は、実験室のベンチマークから、オープンワールドの敵防衛への重要な移行が行われている。
代表的なパラダイムは、歴史的データから学んだ不変なアーティファクトが普遍的なゼロショット一般化を達成できると仮定して、静的な特徴空間を見つけることに焦点を当てている。
いくつかのAIGIベンチマークで飽和を達成する一方で、この静的仮説は、急速に進化するジェネレータ(例えば、SD3、Nano Banana Pro)に対して深刻なパフォーマンス低下を被っている。
これらの制約に対処するために、場は「静的一般化」を超えて「動的適応」という新しいパラダイムに拡張されるべきである。
連続的な数発の進化の動的なパラダイムを開拓し、新たな生成的脅威に迅速に対応できるフレームワークであるFleetを紹介します。
Fleetは制約のない機能更新を制約付きルーティング修正に置き換えることで、いくつかのショット適応を改善している。
これを検証するために,64のモデルと360kの画像にまたがるベンチマークであるTreasureを紹介し,アーキテクチャの多様性と20のクローズドソース商用エンジンを特徴とする。
実験によると、静的SOTA法は現代の発電機では破滅的に失敗するが、Fleetは「Doubao Seedream 4.0」に10発しか適応せず、性能を20.4%から73.1%に回復する。
コードとデータはhttps://github.com/ICTMCG/Fleet.comで公開されている。
関連論文リスト
- GaussianDream++: Efficient 3D Gaussian World Modeling for Robotic Manipulation [55.47130289185285]
VLA(Vision-Language-Action)ポリシーは、高度な言語条件のロボット操作である。
我々は textbfWorld State Tokens と textbfWorld Prediction Tokens を VLA バックボーンに直接挿入する,コンパクトでポリシーネイティブな拡張である textbfMethodname を提示する。
論文 参考訳（メタデータ） (2026-08-26T11:41:55Z) - ParetoPilot: Zero-Surrogate Offline Multi-Objective Optimization via Infer-Perturb-Guide Diffusion [28.29207284864795]
オフラインMOOのための新しいゼロ代理拡散フレームワークを提案する。
パーターブガイドエンジンは、逆生成プロセスの無条件復調ステップ内でシームレスにインターリーブされる。
当社のアプローチは,超ボリューム改善を実現しつつ,データのプライバシを保護します。
論文 参考訳（メタデータ） (2026-06-03T05:27:21Z) - Deformable Gaussian Occupancy: Decoupling Rigid and Nonrigid Motion with Factorized Distillation [81.44955493339835]
DeGOは変形可能なガウスの占有機構であり、分解したガウスの変形と分解された4次元基礎モデル蒸留を統一する。
Occ3D-NuScenesベンチマーク実験により,本手法が弱い監督下での最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2026-05-27T15:09:55Z) - DRIFT: Drift-Resilient Invariant-Feature Transformer for DGA Detection [0.28675177318965045]
ドメイン生成アルゴリズムはボットネット検出を避けるために進化する。
深層学習に基づく検出器は、静的条件下では強い性能を達成するが、時間的ドリフトに直面すると著しく劣化する。
本稿では,ハイブリッドトークン化戦略を通じて不変表現を学習するドリフトレジリエントトランスフォーマーベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-11T12:08:41Z) - Robust Cross-Domain WiFi Fall Detection via Physics-Driven Attention-Enhanced Transformers [64.35403680946182]
WiFiチャンネル状態情報(CSI)を利用したデバイスフリーの転倒検出が,高齢者の健康モニタリングのための有望なソリューションとして浮上している。
既存のディープラーニングアプローチでは、目に見えない環境にデプロイされた場合、パフォーマンスが大幅に低下する。
本稿では,新しいCNN-Transformerハイブリッドアーキテクチャを特徴とする,堅牢で汎用的なフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-23T03:28:12Z) - Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。
AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする
我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
論文 参考訳（メタデータ） (2026-03-12T18:19:21Z) - NOVA: Next-step Open-Vocabulary Autoregression for 3D Multi-Object Tracking in Autonomous Driving [16.99502075851124]
未知のターゲットをまたいだ一般化は、オープンワールドの認識にとって重要である。
次ステップのOpen-Vabulary Autoregression (NOVA)は、3Dトラッキングを断片化された距離ベースマッチングから従来のセマンティックモデリングへシフトする。
論文 参考訳（メタデータ） (2026-03-06T13:12:28Z) - Towards Robust Universal Perturbation Attacks: A Float-Coded, Penalty-Driven Evolutionary Approach [10.211523683826004]
UAP(Universal Adversarial noise perturbations)は、ディープニューラルネットワークを弱体化させる能力によって、大きな注目を集めている。
このような摂動を生成するための単一目的駆動型フレームワークを導入する。
筆者らのフレームワークは, 従来手法に比べて, サイズが小さく, 誤分類効率が高く, 高速な摂動を常に生成している。
論文 参考訳（メタデータ） (2026-01-18T23:31:12Z) - Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。
OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。
当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
論文 参考訳（メタデータ） (2025-12-08T15:56:18Z) - SAIDO: Generalizable Detection of AI-Generated Images via Scene-Aware and Importance-Guided Dynamic Optimization in Continual Learning [20.771107947846122]
Scene-Aware and Importance-Guided Dynamic Optimization Detection framework with continual learning (SAIDO)を提案する。
各シーンについて、独立したエキスパートモジュールは動的に割り当てられ、フレームワークはシーン固有の偽造機能をよりよくキャプチャできる。
本手法は, 従来のSOTA法よりも安定性, 可塑性ともに優れ, 平均検出誤差率44.22%, 相対還元率40.57%をそれぞれ達成した。
論文 参考訳（メタデータ） (2025-11-29T16:13:50Z) - Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。
Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。
高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
論文 参考訳（メタデータ） (2025-10-27T03:52:45Z)
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。