論文の概要: Effective Synthetic Image Detection via Noise Residual Clustering
- arxiv url: http://arxiv.org/abs/2607.10695v1
- Date: Sun, 12 Jul 2026 10:38:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.506182
- Title: Effective Synthetic Image Detection via Noise Residual Clustering
- Title（参考訳）: 雑音残差クラスタリングによる効率的な合成画像検出
- Abstract要約: 合成画像は誤報や詐欺などのセキュリティ上の脅威を生じさせる。
既存の検出器のほとんどは、大きなラベル付きデータセットによる教師付きトレーニングに依存している。
ノイズ残差指紋を用いたトレーニング不要検出法を提案する。
- 参考スコア（独自算出の注目度）: 10.793335916255366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid advancement of generative artificial intelligence (AI) has made synthetic images remarkably realistic, posing security threats such as misinformation and fraud. It is significant to detect the synthetic image in the manner of passive and blind image authentication. Most existing detectors rely on supervised training with large labeled datasets, leading to high costs and degraded performance on unknown generative models. To attenuate such deficiencies, we propose a training-free detection method. Specifically, noise residual fingerprints are first extracted by a simple yet effective pre-trained Noiseprint++ model. Then multi-scale features are further extracted from such residual by a frozen Vision Transformer (ViT), followed by adaptive weighted fusion. Only a few real image samples are used needed to initialize the clustering centers for unsupervised K-Means, distinguishing real and synthetic images without training. Extensive evaluations on four benchmark datasets show that our proposed scheme achieves an average accuracy of 82.2%, outperforming the state-of-the-art detectors on generalization ability. Superior performance is gained on the popular diffusion type of synthetic images, and the effectiveness of each module is validated by ablation studies. Source code will be publicly available at https://github.com/multimediaFor/NoiseCluSID.
- Abstract（参考訳）: 生成人工知能(AI)の急速な進歩により、合成画像は驚くほどリアルになり、誤情報や詐欺のようなセキュリティ上の脅威を招いている。
受動的・視覚的画像認証の方法で合成画像を検出することは重要である。
既存の検出器のほとんどは、大きなラベル付きデータセットによる教師付きトレーニングに依存しており、高いコストと未知の生成モデルの性能低下につながっている。
このような欠陥を緩和するために,トレーニング不要な検出手法を提案する。
具体的には、ノイズ残差指紋は、まず、単純だが効果的に訓練済みのNossprint++モデルによって抽出される。
そして、凍結したビジョントランス(ViT)により、そのような残留物からさらにマルチスケールの特徴を抽出し、その後、適応重み付き融合を行う。
教師なしのK-Meansのクラスタリングセンターを初期化するために必要な実際のイメージサンプルはわずかである。
4つのベンチマークデータセットを総合評価した結果,提案手法は平均82.2%の精度を達成し,一般化能力において最先端の検出器よりも優れていた。
一般的な拡散型合成画像では上向きの性能が得られ、各モジュールの有効性はアブレーション研究によって検証される。
ソースコードはhttps://github.com/multimediaFor/NoiseCluSIDで公開されている。
関連論文リスト
- 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) - Efficient Zero-Shot AI-Generated Image Detection [2.915868985330569]
本稿では、構造化周波数に対する表現感度を測定する訓練不要なAI生成画像検出手法を提案する。
提案手法は,入力画像に対して1つのフーリエ変換のみを必要とするため,計算的に軽量である。
挑戦的ベンチマークに関する大規模な実験は、我々の方法が最先端(SoTA)に対して有効であることを実証している。
論文 参考訳（メタデータ） (2026-03-23T06:33:20Z) - Anomaly Detection by Effectively Leveraging Synthetic Images [3.9887243611436873]
異常検出は工業生産において重要な役割を担っている。
実際の欠陥画像が不足しているため、通常の画像のみに依存する教師なしのアプローチが広く研究されている。
本研究では,合成画像を効果的に活用し,異常検出性能を最大化するための戦略に焦点を当てる。
論文 参考訳（メタデータ） (2025-12-29T06:06:30Z) - CO-SPY: Combining Semantic and Pixel Features to Detect Synthetic Images by AI [58.35348718345307]
実際の画像とAI生成画像を区別する現在の取り組みには、一般化が欠如している可能性がある。
既存のセマンティック機能を強化した新しいフレームワークCo-Spyを提案する。
また、5つの実画像データセットと22の最先端生成モデルからなる包括的データセットであるCo-Spy-Benchを作成します。
論文 参考訳（メタデータ） (2025-03-24T01:59:29Z) - Explainable Synthetic Image Detection through Diffusion Timestep Ensembling [30.298198387824275]
本稿では,複数の雑音の時間ステップでアンサンブルを訓練することにより,中間雑音画像の特徴を直接活用する合成画像検出手法を提案する。
人間の理解を深めるために,メートル法に基づく説明文生成と改良モジュールを導入する。
本手法は, 正解率98.91%, 正解率95.89%, 正解率95.89%, 正解率98.91%, 正解率95.89%である。
論文 参考訳（メタデータ） (2025-03-08T13:04:20Z) - 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) - Time Step Generating: A Universal Synthesized Deepfake Image Detector [0.4488895231267077]
汎用合成画像検出器 Time Step Generating (TSG) を提案する。
TSGは、事前訓練されたモデルの再構築能力、特定のデータセット、サンプリングアルゴリズムに依存していない。
我々は,提案したTSGを大規模GenImageベンチマークで検証し,精度と一般化性の両方において大幅な改善を実現した。
論文 参考訳（メタデータ） (2024-11-17T09:39:50Z) - Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。
それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。
以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
論文 参考訳（メタデータ） (2024-11-12T01:17:27Z) - 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) - Generalizable Synthetic Image Detection via Language-guided Contrastive Learning [22.533225521726116]
偽ニュースの拡散や偽のプロフィールの作成などの合成画像の真偽の使用は、画像の真正性に関する重要な懸念を提起する。
本稿では,言語誘導型コントラスト学習を用いた簡易かつ効果的な合成画像検出手法を提案する。
提案したLanguAge-guided SynThEsis Detection (LASTED) モデルでは,画像生成モデルに対する一般化性が大幅に向上していることが示されている。
論文 参考訳（メタデータ） (2023-05-23T08:13:27Z) - Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。
本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。
種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
論文 参考訳（メタデータ） (2021-05-29T21:22:24Z)
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。