論文の概要: Ghosts Beneath Textures: Texture-Relation Cues for Cross-Paradigm AI-Generated Image Detection
- arxiv url: http://arxiv.org/abs/2607.03862v1
- Date: Sat, 04 Jul 2026 13:08:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.739127
- Title: Ghosts Beneath Textures: Texture-Relation Cues for Cross-Paradigm AI-Generated Image Detection
- Title（参考訳）: Ghosts Beneath Textures: クロスプラットフォームAI生成画像検出のためのテクスチャ関連キュー
- Abstract要約: ConImageGenは、クロスパラダイムなAI生成イメージ検出のためのベンチマークである。
意味的干渉を抑えることによって、生成パラダイム全体にわたる意味論的無関係なテクスチャパターンを初めて可視化する。
DTS-Detは、一般化されたAI生成画像検出のための関係をキャプチャし、活用するフレームワークである。
- 参考スコア（独自算出の注目度）: 33.4849821487505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI-generated images have proliferated rapidly, motivating extensive research. Most existing AI-generated image detectors are developed and evaluated under image-free generation paradigms, such as noise-based or text-guided generation. However, image-conditioned generation has become increasingly important in practical applications, as it enables more fine-grained control over generated content. Detecting AI-generated images across these two paradigms creates a critical cross-paradigm detection problem that has long been overlooked. To study this problem, we construct ConImageGen, a benchmark for cross-paradigm AI-generated image detection. Evaluations on ConImageGen show that existing detectors fail to generalize reliably across image-free and image-conditioned generation. To address this failure, this paper identifies a cross-paradigm forensic cue and provides a new perspective for generalized AI-generated image detection. Specifically, by suppressing semantic interference, we visualize, for the first time, semantics-irrelevant texture patterns across generation paradigms. These patterns exhibit structured local-global texture relations, indicating a generalizable form of forensic evidence. Motivated by this finding, we shift the focus from directly exploiting explicit artifacts to modeling texture relations and propose DTS-Det, a detection framework that captures and leverages such relations for generalized AI-generated image detection. Extensive experiments validate the effectiveness of our method. DTS-Det achieves state-of-the-art performance across diverse evaluation settings, reaching 99.6% ACC on ConImageGen with a 10.5% gain over the best baseline. It also achieves 93.2%/94.1% ACC in cross-dataset evaluation on PicoBanana/RAID and maintains detection rates of 95.2%/88.1% under reconstruction attacks and black-box adversarial attacks, respectively.
- Abstract（参考訳）: AI生成画像は急速に増殖し、広範な研究の動機となっている。
既存のAI生成画像検出器の多くは、ノイズベースやテキスト誘導生成など、画像のない生成パラダイムで開発・評価されている。
しかし、画像条件付き生成は、生成したコンテンツのよりきめ細かい制御を可能にするため、実用アプリケーションではますます重要になっている。
これら2つのパラダイムにわたるAI生成イメージの検出は、長い間見過ごされてきた重要なパラダイム横断検出問題を生み出す。
この問題を解決するために,並列AI生成画像検出のためのベンチマークであるConImageGenを構築した。
ConImageGenの評価によると、既存の検出器は画像のない世代と画像条件のある世代で確実に一般化できない。
この障害に対処するため,本論文では,汎用AI生成画像検出のための新たな視点を提供する。
具体的には、意味的干渉を抑えることで、生成パラダイムにまたがる意味論的無関係なテクスチャパターンを初めて可視化する。
これらのパターンは、局所的・言語的テクスチャ関係が構造化されており、一般的な法医学的証拠の形式を示している。
この発見によって、明示的なアーティファクトを直接活用することから、テクスチャ関係のモデリングへと焦点を移し、汎用AI生成画像検出のためのそのような関係をキャプチャし活用する検出フレームワークであるDTS-Detを提案する。
大規模な実験により,本手法の有効性が検証された。
DTS-Detは様々な評価設定で最先端のパフォーマンスを実現し、ConImageGenで99.6%のACCに達し、最高のベースラインを10.5%上回った。
また、ピコバナ/RAIDのクロスデータセット評価では93.2%/94.1%ACCを達成し、それぞれ95.2%/88.1%の検知率を維持している。
関連論文リスト
- RAID: Towards Robust AI-Generated Image Detection with Bit-Reversed Images [25.492080916045012]
ビットプレーンを用いたAI生成画像検出について検討し,ビット反転画像を導入する。
本稿では,ビット反転画像の構成,勾配ベースのパッチ選択,畳み込み分類器からなる,シンプルで効果的なパイプラインを提案する。
このアプローチは40以上のベンチマークで既存のメソッドよりも優れており、既存のメソッドよりも100倍近く高速です。
論文 参考訳（メタデータ） (2026-07-31T02:53:07Z) - 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) - GenShield: Unified Detection and Artifact Correction for AI-Generated Images [65.11434977803509]
GenShieldは、診断から修復までのクローズドループでAIGI検出とアーティファクト修正を実行するフレームワークである。
大規模なアーティファクト-restored'ペアを備えた高品質データセットは、統一された評価パイプラインと共に構築される。
論文 参考訳（メタデータ） (2026-05-15T16:06:20Z) - When Detectors Forget Forensics: Blocking Semantic Shortcuts for Generalizable AI-Generated Image Detection [48.75021863792367]
Vision Foundation Models (VFMs, emphe.g., CLIP) は、しばしば目に見えない生成パイプラインを使って生成された画像に一般化するのに苦労する。
textbfGeometric Semantic Decoupling (GSD)を提案する。
GSDはバッチワイズ統計から意味論的方向を推定し、幾何学的制約によってそれらを投影し、アーティファクト検出器は意味論的不変な法医学的証拠に依存するように強制する。
論文 参考訳（メタデータ） (2026-03-10T06:16:35Z) - Detecting AI-Generated Images via Distributional Deviations from Real Images [6.615773227400183]
ファインチューニング中に生成モデル固有のパターンを含むテクスチャ領域をマスクするテクスチャ・アウェア・マスキング(TAM)機構を導入する。
我々の手法は最小限の画像しか調整されず、既存の手法よりも大幅に優れており、2つのデータセットの平均精度は98.2%と94.6%に達する。
論文 参考訳（メタデータ） (2026-01-07T05:00:13Z) - CINEMAE: Leveraging Frozen Masked Autoencoders for Cross-Generator AI Image Detection [25.84217122259626]
CINEMAEはテキスト検出法の中核となる原則を視覚領域に適用する。
我々は、安定拡散v1.4のみをトレーニングし、GenImageベンチマークの8つの未知のジェネレータに対して95%以上の精度を達成した。
このことは、文脈条件の再構成の不確実性が、AIGC検出のための堅牢で転送可能な信号を提供することを示している。
論文 参考訳（メタデータ） (2025-11-09T11:05:45Z) - RAID: A Dataset for Testing the Adversarial Robustness of AI-Generated Image Detectors [57.81012948133832]
本稿では,72kの多種多様かつ高い変換可能な対向例からなるRAID(Robust Evaluation of AI- generated Image Detectors)を提案する。
提案手法は,未知の検出器に高い成功率で転送する逆画像を生成する。
以上の結果から,現在最先端のAI生成画像検出器は,敵の例によって容易に認識できることが示唆された。
論文 参考訳（メタデータ） (2025-06-04T14:16:00Z) - 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) - A Sanity Check for AI-generated Image Detection [49.08585395873425]
我々はAI生成画像を検出するAI生成画像検出装置(AI生成画像検出装置)を提案する。
AIDEは最先端の手法を+3.5%、+4.6%改善した。
論文 参考訳（メタデータ） (2024-06-27T17:59:49Z) - 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)
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。