論文の概要: GlobalForge: Towards Robust AI-Generated Image Detection
- arxiv url: http://arxiv.org/abs/2607.14684v1
- Date: Thu, 16 Jul 2026 07:44:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.032371
- Title: GlobalForge: Towards Robust AI-Generated Image Detection
- Title（参考訳）: GlobalForge:ロバストなAI生成イメージ検出を目指す
- Abstract要約: AIGI検出器はクリーンなベンチマークで高い精度を達成するが、画像が現実世界のチャネルに伝播した後、その性能は急激に低下する。
差別的キューは、脆弱なローカルアーティファクトから、より堅牢なグローバルな構造へとシフトします。
GlobalForgeは、以前の最先端ベンチマークよりも平均B on the-wildベンチマークを$mathbf5.89%で改善している。
- 参考スコア（独自算出の注目度）: 34.837522579797955
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-generated image (AIGI) detectors achieve strong accuracy on clean benchmarks, but their performance drops sharply after images are propagated through real-world channels. We trace this fragility to what these detectors actually learn: they overfit to local artifacts left by generators in small spatial neighborhoods, which are easily destroyed by common propagation degradations such as JPEG compression and blur. Instead, we shift the discriminative cue from fragile local artifacts to more robust global structure. Building on this, we propose GlobalForge, a framework with two complementary modules. The Local Information Bottleneck (LIB) suppresses local components to block shortcut learning, while the Global Structural Reasoning (GSR) module forces every token to gather evidence from distant regions. Both modules are trained jointly under a contrastive structural loss based on degradation that keeps the resulting features stable under degradation. To support fine-grained robustness evaluation, we further introduce RealDeg-Bench, covering 7 common degradation operators and multi-step compound chains. GlobalForge improves average BAcc on 8 in-the-wild benchmark groups by $\mathbf{5.89\%}$ over the previous state-of-the-art, and is clearly ahead of representative baselines on RealDeg-Bench under both single and compound degradations. Code is available at https://anonymous.4open.science/r/GlobalForge-BE0F/.
- Abstract（参考訳）: AI生成画像検出器(AIGI)は、クリーンなベンチマークで高い精度を達成するが、画像が現実世界のチャネルに伝播された後、その性能は急激に低下する。
私たちはこの脆弱性を、これらの検出器が実際に学んでいるものまで遡る:それらは小さな空間地区の発電機が残した局所的なアーティファクトに過度に適合し、JPEG圧縮やぼやけなどの一般的な伝播劣化によって容易に破壊される。
代わりに、差別的なキューを脆弱なローカルアーティファクトからより堅牢なグローバルな構造にシフトします。
これに基づいて,2つの補完モジュールを持つフレームワークであるGlobalForgeを提案する。
ローカル・インフォメーション・ボトルネック(LIB)は、局所的なコンポーネントを制限してショートカット学習をブロックし、グローバル・ストラクチャー・推論(GSR)モジュールは全てのトークンに、遠い地域から証拠を集めるよう強制する。
両方のモジュールは、劣化に基づいて対照的な構造的損失の下で共同で訓練され、結果として生じる特徴を劣化下で安定に保つ。
きめ細かなロバスト性評価を支援するため、RealDeg-Benchを導入し、7つの共通分解演算子と多段化合物鎖を被覆する。
GlobalForgeは、以前の最先端技術よりも$\mathbf{5.89\%}$で8つの内部ベンチマークグループの平均BAccを改善し、単一および複合的な劣化の下でRealDeg-Benchにおける代表的ベースラインを明らかに上回っている。
コードはhttps://anonymous.4open.science/r/GlobalForge-BE0F/で入手できる。
関連論文リスト
- FUSED: Forensic-Semantic Mixture-of-Experts for AI Inpainting Detection and Localization [14.056602265859645]
拡散ベースの塗装モデルは、画像の局所的な部分だけを変更する。
多くのAIイメージ検出器は、グローバルアーティファクトに依存し、ローカライズしない。
FUSEDは,AIによるインペイントの同時検出と局所化のための統合フレームワークである。
論文 参考訳（メタデータ） (2026-08-28T13:05:43Z) - LoRC: Detecting AI-Generated Images via Low-Rank Collapse in Semantic Residuals [50.157719466558696]
現代の発電機は, セマンティック・残留部分空間において, 支配的なセマンティックな方向を保ちながら, 低ランクの崩壊を示すことを示す。
崩壊した残余幾何を捉えるために意味的優位性を分離するフレームワークである textbfLoRC を提案する。
本手法は,複数のベンチマークで平均7.0%の精度向上を実現し,39個の未知のジェネレータ上で97.0%の精度を実現する。
論文 参考訳（メタデータ） (2026-08-21T08:58:47Z) - From Global to Local: Rethinking CLIP Feature Aggregation for Person Re-Identification [20.74226476678832]
中間パッチトークンとCLIPのテキスト埋め込み空間でパラメータ化されたアンカーベクトルを整列することで、同一性表現を再構築するSAGA-ReIDを提案する。
制御された実験は、2つの定性的に異なる条件下で凝集機構を分離する。
ベンチマーク評価では、CLIP-ReIDよりも標準設定と無視設定で一貫したゲインを確認している。
論文 参考訳（メタデータ） (2026-04-24T03:37:21Z) - LOGER: Local--Global Ensemble for Robust Deepfake Detection in the Wild [17.30735058274559]
LOGERはロバストディープフェイク検出のためのLOcal-Global Ensembleフレームワークである。
LOGERは、NTIRE 2026 Robust Deepfake Detection Challengeで2位を獲得した。
論文 参考訳（メタデータ） (2026-04-04T02:56:11Z) - Efficiency Follows Global-Local Decoupling [62.05489838893081]
ConvNeurは、軽量なニューラルメモリブランチがトークンの集合にグローバルなコンテキストを集約する2分岐アーキテクチャである。
学習ゲートは、グローバルなキューが目的を絞ることなく、局所的な特徴を調整できる。
標準的な分類、検出、セグメンテーションのベンチマークでは、ConvNeurは同等または低い計算で同等の選択肢にマッチするか、超えている。
論文 参考訳（メタデータ） (2026-03-20T02:20:16Z) - MRGeo: Robust Cross-View Geo-Localization of Corrupted Images via Spatial and Channel Feature Enhancement [15.9788448312641]
クロスビュージオローカライゼーション (CVGL) は、対応するジオタグ付き衛星画像の検索により、ストリートビュー画像を正確にローカライズすることを目的としている。
以前の研究は、特定の標準データセット上でほぼ完璧なパフォーマンスを達成したが、現実の腐敗した環境での堅牢性は、まだ未調査のままである。
汚職下での堅牢なCVGLのための最初の体系的手法であるMRGeoを紹介する。
論文 参考訳（メタデータ） (2026-03-13T02:37:43Z) - Beyond Artifacts: Real-Centric Envelope Modeling for Reliable AI-Generated Image Detection [29.26836532055224]
既存の検出器は、しばしば発電機固有のアーティファクトに過度に適合し、現実世界の劣化に敏感である。
実画像のロバストな分布をモデル化する手法として,Real-centric Envelope Modeling (REM)を提案する。
REMは最先端の手法よりも平均7.5%向上し、特に高度に劣化したRealChainベンチマークにおける例外的な一般化を維持している。
論文 参考訳（メタデータ） (2025-12-24T04:41:04Z) - UAGLNet: Uncertainty-Aggregated Global-Local Fusion Network with Cooperative CNN-Transformer for Building Extraction [83.48950950780554]
リモートセンシング画像からの抽出は、複雑な構造変化のために難しい課題である。
既存の方法は、セグメンテーションモデルにおけるマルチスケール特徴をキャプチャするために、畳み込みブロックまたは自己アテンションブロックを使用する。
高品質なグローバルローカルなビジュアルセマンティクスを活用するために,不確実性集約型グローバルローカルフュージョンネットワーク(UAGLNet)を提案する。
論文 参考訳（メタデータ） (2025-12-15T02:59:16Z) - Glocal Information Bottleneck for Time Series Imputation [70.41814118117311]
Time Series Imputationは、時間データの欠落した値を復元することを目的としている。
既存のモデルは、通常、数値(ローカル情報)の回復に焦点をあてて、ポイントワイズ復元損失を最適化する。
我々はGlocal Information Bottleneck(Glocal-IB)という新たなトレーニングパラダイムを提案する。
論文 参考訳（メタデータ） (2025-10-06T15:24:44Z) - Zooming In on Fakes: A Novel Dataset for Localized AI-Generated Image Detection with Forgery Amplification Approach [69.01456182499486]
textbfBR-Genは、さまざまなシーン認識アノテーションを備えた15万のローカル鍛造イメージの大規模なデータセットである。
textbfNFA-ViTはノイズ誘導フォージェリ増幅ビジョン変換器で、ローカライズされたフォージェリの検出を強化する。
論文 参考訳（メタデータ） (2025-04-16T09:57:23Z) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳（メタデータ） (2020-02-07T03:45:25Z)
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。