論文の概要: Representation and Reference Selection in Training-Free Synthetic Image Attribution

• arxiv url: http://arxiv.org/abs/2607.12052v1
• Date: Mon, 13 Jul 2026 18:10:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.929418
• Title: Representation and Reference Selection in Training-Free Synthetic Image Attribution
• Title（参考訳）: 学習自由な合成画像属性における表現と参照選択
• Abstract要約: 合成画像属性は、与えられたAI生成画像に責任があるジェネレータを特定することを目的としている。 我々は、参照とオフザシェルフ事前学習表現を用いて、この相互作用を制御した分析を行う。 その結果, 帰属精度は中間表現レベルで常にピークとなることがわかった。
• 参考スコア（独自算出の注目度）: 20.117588342501758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic image attribution aims at identifying the generator responsible for a given AI-generated image. Training-free reference-based attribution methods are easily scalable, since newly emerging generators can be incorporated by adding source-specific references rather than retraining a task-specific classifier. Their performance depends on two coupled factors: the representation space used for comparison and the way source-specific references are constructed. However, the interaction between these two factors remains largely unexplored. In this paper, we provide a controlled analysis of this interaction using references and off-the-shelf pretrained representations. We study representations extracted from different layers of CLIP and DINOv2, along with three reference selection methods with varying semantic constraints: arbitrary, semantically aligned, and resynthesis-based references. Our results show that attribution accuracy consistently peaks at intermediate representation levels, indicating that source-discriminative cues are more accessible before strong semantic abstraction dominates. We further show that intermediate representations are not completely semantically neutral, making reference selection critical: semantically constrained references reduce query-reference mismatch and improve attribution, especially under limited reference budgets. Resynthesis is most useful in low-reference regimes, while semantically aligned references provide a better accuracy-cost trade-off when a moderate-sized reference pool is available. Our findings show that training-free reference-based attribution should be understood as the interaction between where images are compared, how the reference set is constructed, and how many references are available.
• Abstract（参考訳）: 合成画像属性は、与えられたAI生成画像に責任があるジェネレータを特定することを目的としている。 なぜなら、新しいジェネレータはタスク固有の分類器を再訓練するのではなく、ソース固有の参照を追加することで組み込むことができるからである。 それらの性能は、比較に使用される表現空間と、ソース固有の参照を構築する方法の2つの結合因子に依存する。 しかし、これらの2つの要因の相互作用はほとんど未解明のままである。 本稿では,このインタラクションを,参照とオフザシェルフ事前学習表現を用いて制御した解析を行う。 本稿では,CLIPとDINOv2の異なる層から抽出した表現と,任意,意味的整合,再合成に基づく参照の3つの参照選択法について検討する。 その結果,属性の精度は中間表現レベルで一貫してピークに達し,強いセマンティック抽象化が支配される前に,ソース識別的手がかりがよりアクセスしやすいことを示す。 さらに、中間表現が完全に意味的に中立ではないことを示し、参照選択を重要視している:意味的に制約された参照は、クエリ-参照ミスマッチを減らし、属性を改善する。 再合成は低参照のレギュレーションにおいて最も有用であるが、セマンティックに整列された参照は、適度なサイズの参照プールが利用できる場合に、より正確でコストのかかるトレードオフをもたらす。 本研究は、画像の比較、参照セットの構築方法、参照数との相互作用として、トレーニング不要な参照ベースの属性を理解すべきであることを示す。

関連論文リスト

• A Dynamic-Semantics Framework for Grounding Human Referring Expressions in Visual Perceptual Data [0.0]
  本稿では,パクト状態を3つの明示的で検査可能な参照オブジェクトバインディングに外部化するフレームワークを提案する。 スタンフォード・リピート・レファレンス・ゲーム・コーパス(Stanford Repeated Reference Game corpus)のフレームワークについて検討した。
  論文  参考訳（メタデータ） (2026-08-09T12:14:10Z)
• RefAlign: Representation Alignment for Reference-to-Video Generation [53.368296137314225]
  RefAlignは、DiT参照ブランチ機能を視覚基礎モデルのセマンティック空間に整列する表現アライメントフレームワークである。 OpenS2V-Evalベンチマークの実験では、RefAlignがTotalScoreの最先端メソッドより優れていることが示されている。
  論文  参考訳（メタデータ） (2026-03-26T17:59:57Z)
• Trust but Verify: Adaptive Conditioning for Reference-Based Diffusion Super-Resolution via Implicit Reference Correlation Modeling [42.10910149675583]
  実世界の劣化は、低品質(LQ)入力と参照(Ref)イメージの対応を信頼できないものにする。 本稿では,一段階拡散フレームワークであるAda-RefSRを提案する。 複数のデータセットの実験では、Ada-RefSRは忠実さ、自然性、効率性の強いバランスを達成している。
  論文  参考訳（メタデータ） (2026-02-02T09:34:57Z)
• Learning from Reference Answers: Versatile Language Model Alignment without Binary Human Preference Data [56.44985139322512]
  RefAlignは、報酬モデルや参照モデルに依存しない汎用的なREINFORCEスタイルのアライメントアルゴリズムである。 報酬モデルや参照モデルに依存しない汎用REINFORCEスタイルアライメントアルゴリズムである textitRefAlign を導入する。
  論文  参考訳（メタデータ） (2025-04-14T05:43:21Z)
• Spatial Semantic Recurrent Mining for Referring Image Segmentation [63.34997546393106]
  高品質なクロスモーダリティ融合を実現するために,Stextsuperscript2RMを提案する。 これは、言語特徴の分散、空間的意味的再帰的分離、パーセマンティック・セマンティック・バランシングという三部作の作業戦略に従う。 提案手法は他の最先端アルゴリズムに対して好適に機能する。
  論文  参考訳（メタデータ） (2024-05-15T00:17:48Z)
• Collaborative Group: Composed Image Retrieval via Consensus Learning from Noisy Annotations [67.92679668612858]
  我々は,集団が個人より優れているという心理的概念に触発されたコンセンサスネットワーク(Css-Net)を提案する。 Css-Netは,(1)コンセンサスモジュールと4つのコンセンサスモジュール,(2)コンセンサス間の相互作用の学習を促進するKulback-Leibler分散損失の2つのコアコンポーネントから構成される。 ベンチマークデータセット、特にFashionIQでは、Css-Netが大幅に改善されている。特に、R@10が2.77%、R@50が6.67%増加し、リコールが大幅に向上している。
  論文  参考訳（メタデータ） (2023-06-03T11:50:44Z)
• Not All Metrics Are Guilty: Improving NLG Evaluation by Diversifying References [123.39034752499076]
  Div-Refは、参照数を増やして評価ベンチマークを強化する方法である。 本研究では,参照表現の多様化が自動評価と人的評価の相関性を大幅に向上させることを示す実験を行った。
  論文  参考訳（メタデータ） (2023-05-24T11:53:29Z)
• BERM: Training the Balanced and Extractable Representation for Matching to Improve Generalization Ability of Dense Retrieval [54.66399120084227]
  本稿では,BERMと呼ばれるマッチング信号の取得により,高密度検索の一般化を改善する手法を提案する。 センス検索は、ドメイン内のラベル付きデータセットでトレーニングされた場合、第1段階の検索プロセスにおいて有望であることが示されている。
  論文  参考訳（メタデータ） (2023-05-18T15:43:09Z)
• Assessing a Single Image in Reference-Guided Image Synthesis [14.936460594115953]
  本稿では,単一生成画像の品質を定量的に評価するための,参照誘導画像合成アセスメント(RISA)を提案する。 このアノテーションは監視信号として大きすぎるため、1)粗いラベルを洗練するためのピクセルワイズスキームと、2)ナイーブ回帰器を置き換える複数のバイナリ分類器の2つの手法を導入する。 RISAは人間の好みと非常に整合しており、モデル間での転送も良好である。
  論文  参考訳（メタデータ） (2021-12-08T08:22:14Z)

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。