論文の概要: Face-trace: Open-Set Attribution and Progressive Discovery of Synthetic Face Generators

• arxiv url: http://arxiv.org/abs/2607.07545v1
• Date: Wed, 08 Jul 2026 15:42:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.442771
• Title: Face-trace: Open-Set Attribution and Progressive Discovery of Synthetic Face Generators
• Title（参考訳）: Face-Trace: オープンセットの属性と合成顔発電機の進歩的発見
• Abstract要約: ソース属性法は、ソースが分かっているときに画像のジェネレータを識別する必要があるが、以前は見つからなかったモデルによって生成されたサンプルも処理する必要がある。 既存のほとんどのアプローチは、訓練中に可能なすべてのジェネレータが利用可能なクローズドセット設定における合成顔の属性に対処する。 我々は、既知のジェネレータ分類、エネルギーベースのOOD拒絶、未知のジェネレータ発見を組み合わせた、オープンセット合成顔源属性のパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 7.495054125014819
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in generative Artificial Intelligence have made synthetic face images increasingly realistic, creating new challenges for multimedia forensics. Source attribution methods should not only identify the generator of an image when the source is known, but also handle samples produced by previously unseen models. However, most existing approaches address synthetic face attribution in a closed-set setting, where all possible generators are available during training. This assumption does not hold in real-world scenarios, where new generators continuously appear and rejected samples should be organized rather than simply discarded. In this work we propose a pipeline for open-set synthetic face source attribution that combines known generator classification, energy-based OOD rejection, and unknown generator discovery. A classifier is trained on known generators using frozen I-JEPA embeddings, while rejected samples are represented by combining projected I-JEPA features with Forensic Self-Descriptors and then clustered to discover groups of unknown generators. We also extend the discovery stage to an incremental scenario, where rejected samples arrive over time. Experiments on the WILD dataset show that the proposed method achieves 96.73% closed-set attribution accuracy. In the open-set setting, energy-based rejection reaches 71.25% balanced accuracy, while rejected samples are clustered into meaningful unknown-generator groups, obtaining an ARI of 0.81, an NMI of 0.90, and an overall clustering purity of 87.74%. In the incremental setting, the discovered generator space is progressively extended while maintaining a final purity of 99.23%. Cross-dataset experiments suggest that the pipeline can operate beyond the original dataset distribution, although post-processing remains challenging.
• Abstract（参考訳）: 生成人工知能の最近の進歩は、合成顔画像がますます現実的になり、マルチメディア法医学の新しい課題を生み出している。 ソース属性法は、ソースが知られているときに画像のジェネレータを識別するだけでなく、以前に見つからなかったモデルによって生成されたサンプルを処理すべきである。 しかし、既存のほとんどのアプローチは、訓練中に可能なすべてのジェネレータが利用可能なクローズドセット設定における合成顔の属性に対処する。 この仮定は、新しいジェネレータが継続的に現れ、拒否されたサンプルが単に破棄されるのではなく組織化されるべきという現実のシナリオには当てはまらない。 本研究では、既知のジェネレータ分類、エネルギーベースのOOD拒絶、未知のジェネレータ発見を組み合わせた、オープンセット合成顔源属性のパイプラインを提案する。 分類器は凍結したI-JEPA埋め込みを用いて既知のジェネレータ上で訓練されるが、拒絶されたサンプルは予測されたI-JEPA特徴とForensic Self-Descriptorsを組み合わせることで表現され、その後、未知のジェネレータのグループを発見するためにクラスタ化される。 また、検出ステージを段階的に拡張し、削除されたサンプルが時間とともに到着する。 WILDデータセットの実験により、提案手法は96.73%のクローズドセット属性精度を達成することが示された。 オープンセット設定では、エネルギーベースの拒絶は71.25%の精度に達し、拒絶されたサンプルは意味不明な生成基にクラスター化され、ARIは0.81、NMIは0.90、クラスタリング純度は87.74%となる。 漸進的な設定では、検出されたジェネレータ空間は99.23%の最終純度を維持しながら徐々に拡張される。 データセット間の実験は、パイプラインが元のデータセット分布を超えて動作可能であることを示唆している。

関連論文リスト

• GenSyn10: A Multi-Generative AI Dataset For Benchmarking Image Classification [17.505968172455784]
  GenSyn10は、CIFAR-10に準拠した6万の画像(10クラス、32$times$32、50k/10kスプリット)の合成画像データセットである。 実データベースライン,ゼロショット転送,微調整,保持という4段階のプロトコルを用いて17の画像分類モデルを評価する。 測定可能なドメインギャップにもかかわらず、CIFAR-10で訓練されたモデルは、GenSyn10で96.86%のゼロショット精度を実現し、微調整後に99.88%まで上昇した。
  論文  参考訳（メタデータ） (2026-07-10T09:47:16Z)
• Breaking Latent Prior Bias in Detectors for Generalizable AIGC Image Detection [11.907536189598577]
  現在のAIGC検出器は、トレーニングに使用される同じジェネレータで生成された画像に対してほぼ完璧な精度を達成するが、目に見えないジェネレータからの出力に一般化するのに苦労する。 検出器は、堅牢な生成アーティファクトを学ぶのではなく、初期ノイズベクトルから発生するパターンに関連するショートカットを学習する。 そこで我々は, 発電機の出力多様体に残る逆数例を生成するオン・マニフォールド・逆数訓練(OMAT)を提案する。
  論文  参考訳（メタデータ） (2025-06-01T07:20:45Z)
• Distributional Diffusion Models with Scoring Rules [83.38210785728994]
  拡散モデルは高品質な合成データを生成する。 高品質な出力を生成するには、多くの離散化ステップが必要です。 クリーンデータサンプルの後部エム分布を学習し,サンプル生成を実現することを提案する。
  論文  参考訳（メタデータ） (2025-02-04T16:59:03Z)
• EM Distillation for One-step Diffusion Models [65.57766773137068]
  最小品質の損失を最小限に抑えた1ステップ生成モデルに拡散モデルを蒸留する最大可能性に基づく手法を提案する。 本研究では, 蒸留プロセスの安定化を図るため, 再パラメータ化サンプリング手法とノイズキャンセリング手法を開発した。
  論文  参考訳（メタデータ） (2024-05-27T05:55:22Z)
• Generator Born from Classifier [66.56001246096002]
  データサンプルに頼ることなく、イメージジェネレータを再構築することを目指している。 本稿では,ネットワークパラメータの収束条件を満たすために,ジェネレータを訓練する新しい学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-12-05T03:41:17Z)
• Accurate generation of stochastic dynamics based on multi-model Generative Adversarial Networks [0.0]
  GAN(Generative Adversarial Networks)は、テキストや画像生成などの分野において大きな可能性を秘めている。 ここでは、格子上の原型過程に適用することにより、このアプローチを定量的に検証する。 重要なことに、ノイズにもかかわらずモデルの離散性は維持される。
  論文  参考訳（メタデータ） (2023-05-25T10:41:02Z)
• Selectively increasing the diversity of GAN-generated samples [8.980453507536017]
  本稿では,GAN生成サンプルの多様性を選択的に向上する手法を提案する。 本研究では,CERN における ALICE 実験のZero Degree Calorimeter から得られたデータをシミュレーションする実生活シナリオとともに,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2022-07-04T16:27:06Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Learning Energy-Based Models by Diffusion Recovery Likelihood [61.069760183331745]
  本稿では,エネルギーベースモデルから気軽に学習・サンプルできる拡散回復可能性法を提案する。 学習後、ガウスの白色雑音分布から初期化するサンプリングプロセスにより合成画像を生成することができる。 非条件 CIFAR-10 では,本手法は FID 9.58 と開始スコア 8.30 を達成する。
  論文  参考訳（メタデータ） (2020-12-15T07:09:02Z)
• Sampling-Decomposable Generative Adversarial Recommender [84.05894139540048]
  サンプル分解可能な生成逆数レコメンダ(SD-GAR)を提案する。 本フレームワークでは, 自己正規化重要度サンプリングにより, 生成元と最適値とのばらつきを補償する。 提案アルゴリズムを5つの実世界のレコメンデーションデータセットを用いて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-11-02T13:19:10Z)

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。