論文の概要: Do Transformations Reveal the Truth? Generative Residual Learning for Generalized AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2607.08674v1
• Date: Thu, 09 Jul 2026 16:36:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.597975
• Title: Do Transformations Reveal the Truth? Generative Residual Learning for Generalized AI-Generated Image Detection
• Title（参考訳）: トランスフォーメーションは真実を明らかにするか? 汎用AI生成画像検出のための生成残差学習
• Abstract要約: GenResは、ニューラルテンソルネットワークを介して残留学習を生成するための新しいフレームワークである。 GenRes++は学習可能なアテンションメカニズムを使用して、複数の変換されたサンプル間でリレーショナル機能を集約する。 複数のベンチマークデータセットの実験では、提案されたGenRes++アプローチが既存のメソッドより優れていることが示されている。
• 参考スコア（独自算出の注目度）: 2.2672499384619993
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid advancement of generative AI has enabled the creation of highly realistic deepfake media, posing significant threats, including misinformation, digital identity theft, fraud, and manipulation of public opinion. AI-generated image (AIGI) detection is reliably challenging due to the diversity of generative methods and the subtle artifacts they leave behind. In this work, we propose GenRes, a novel framework for generative residual learning via a neural tensor network, which models fine-grained relational features between original and transformed samples to enhance generalization. To address scenarios involving multiple generative transformations, we introduce GenRes++, which employs a learnable attention mechanism to aggregate relational features across multiple transformed samples and enables the model to focus on the most informative cues. Both models leverage PE-Core as a feature extractor, providing generalized and semantically rich embeddings that improve cross-domain performance and enable the detection of AIGI generated by unseen methods. Comprehensive experiments on multiple benchmark datasets demonstrate that the proposed GenRes++ approach outperforms existing methods.
• Abstract（参考訳）: 生成AIの急速な進歩により、偽情報、デジタルID盗難、詐欺、世論の操作など、非常に現実的なディープフェイクメディアの作成が可能になった。 AI生成画像(AIGI)の検出は、生成方法の多様性と、それらが残した微妙なアーティファクトが原因で、確実に困難である。 本稿では,ニューラルテンソルネットワークによる残差学習のための新しいフレームワークGenResを提案する。 我々は,複数の生成的変換を含むシナリオに対処するために,複数の変換されたサンプルにまたがって関係性を集約する学習可能なアテンション機構を用いたGenRes++を導入する。 どちらのモデルも機能抽出器としてPE-Coreを活用し、汎用的でセマンティックにリッチな埋め込みを提供し、クロスドメインのパフォーマンスを改善し、未知のメソッドによって生成されたAIGIの検出を可能にする。 複数のベンチマークデータセットに関する総合的な実験は、提案されたGenRes++アプローチが既存のメソッドより優れていることを示している。

関連論文リスト

• AdaptPrompt: Parameter-Efficient Adaptation of VLMs for Generalizable Deepfake Detection [7.76090543025328]
  画像生成の最近の進歩により、高度にリアルな合成メディアが普及し、信頼性の高いディープフェイク検出の難しさが高まっている。 重要な課題は一般化であり、限られた種類の発電機で訓練された検出器は、目に見えないモデルに直面すると失敗することが多い。 本稿では,大規模視覚言語モデル(特にCLIP)を活用して,多様な生成技術にまたがる合成内容の同定を行うことにより,一般化可能な検出の必要性に対処する。
  論文  参考訳（メタデータ） (2025-12-19T16:06:03Z)
• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• AI-GenBench: A New Ongoing Benchmark for AI-Generated Image Detection [9.540547388707987]
  Ai-GenBenchは、現実のシナリオにおけるAI生成イメージの堅牢な検出の必要性に対処するために設計された、新しいベンチマークである。 Ai-GenBenchは、明確な評価ルールと制御された拡張戦略を確立することにより、検出方法とスケーラブルなソリューションの有意義な比較を可能にする。
  論文  参考訳（メタデータ） (2025-04-29T15:41:13Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• Generative Unlearning for Any Identity [6.872154067622779]
  プライバシー問題に関連する特定の領域では、高度な生成モデルと強力な反転法が潜在的な誤用につながる可能性がある。 生成的アイデンティティアンラーニング(generative identity unlearning)という,特定のアイデンティティのイメージを生成しないモデルを提案する。 本稿では,1つの画像のみを用いて生成元をアンラーニングすることで,特定のアイデンティティの再構築を防止する新しいフレームワーク,GUIDE(Generative Unlearning for Any Identity)を提案する。
  論文  参考訳（メタデータ） (2024-05-16T08:00:55Z)
• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)

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。