論文の概要: FAIR: Feature-Augmented Implicit Regularization for AI-generated Fake Image Detection

• arxiv url: http://arxiv.org/abs/2607.22087v1
• Date: Fri, 24 Jul 2026 08:34:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.084643
• Title: FAIR: Feature-Augmented Implicit Regularization for AI-generated Fake Image Detection
• Title（参考訳）: FAIR:AI生成されたフェイク画像検出のための機能強化された暗黙の正規化
• Authors: Md Redwanul Haque, Manzur Murshed, Manoranjan Paul, Tsz-Kwan Lee,
• Abstract要約: AI生成画像検出において、一般化は依然として重要なボトルネックである。 FAIR(Feature-Augmented Implicit Regularization)を提案する。 我々は、FAIRが精度を最大8.04%向上させ、ゼロショット転送シナリオにおける新しい最先端のロバスト性を確立することを示す。
• 参考スコア（独自算出の注目度）: 5.673956549751241
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalization remains a critical bottleneck in AI-generated image detection. Because many modern generators are proprietary or adversarially modified, existing detectors overfit to the low-level textural patterns of accessible training data, resulting in severe failures on unseen domains. Conventional regularization techniques (e.g., $L_1$/$L_2$ norms, Dropout) apply indiscriminate parametric constraints and fail to provide the domain-invariant structure necessary for cross-generator robustness. To address this, we propose Feature-Augmented Implicit Regularization (FAIR). FAIR introduces an orthogonal, macro-structural prior, specifically, Scene Composition Structure (SCS), during training to geometrically constrain the model's optimization trajectory. By augmenting the primary feature space with domain-invariant SCS features, FAIR explicitly penalizes texture-biased shortcut learning. Crucially, this structural prior is entirely discarded at inference, yielding a smoothed, generalized decision boundary with zero architectural or computational overhead. Extensive evaluations across five massive benchmarks demonstrate that integrating FAIR into state-of-the-art detectors significantly improves cross-generator generalization, boosting accuracy by up to 8.04% and establishing new state-of-the-art robustness in zero-shot transfer scenarios.
• Abstract（参考訳）: AI生成画像検出において、一般化は依然として重要なボトルネックである。 現代のジェネレータの多くはプロプライエタリまたは逆向きに修正されているため、既存の検出器はアクセス可能なトレーニングデータの低レベルのテクスチャパターンに過度に適合する。 従来の正規化手法(例えば、$L_1$/$L_2$ norms, Dropout)は、パラメトリックな制約を無差別に適用し、クロスジェネレータの堅牢性に必要なドメイン不変構造を提供しない。 そこで我々は,FAIR(Feature-Augmented Implicit Regularization)を提案する。 FAIRは、モデルの最適化軌道を幾何学的に制約する訓練中に、直交的なマクロ構造、特にシーン構成構造(SCS)を導入している。 ドメイン不変のSCS機能で主要な特徴空間を拡大することにより、FAIRはテクスチャバイアスのショートカット学習を明示的に罰する。 重要なことに、この構造的事前は推論によって完全に破棄され、アーキテクチャや計算上のオーバーヘッドがゼロである滑らかで一般化された決定境界となる。 5つの大規模ベンチマークにおいて、FAIRを最先端検出器に統合することで、クロスジェネレータの一般化が大幅に改善され、精度が最大8.04%向上し、ゼロショット転送シナリオにおける新しい最先端ロバスト性を確立することが示されている。

関連論文リスト

• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• TIP: Resisting Gradient Inversion via Targeted Interpretable Perturbation in Federated Learning [8.156452885913108]
  フェデレートラーニング(FL)は、データの局所性を維持しながら協調的なモデルトレーニングを促進する。 勾配の交換により、システムはグラディエント・インバージョン・アタック(GIAs)に弱い。 本稿では、モデル解釈可能性と周波数領域解析を統合する新しい防御フレームワークTIPを提案する。
  論文  参考訳（メタデータ） (2026-02-12T06:32:49Z)
• Edge-Aware Normalized Attention for Efficient and Detail-Preserving Single Image Super-Resolution [27.3322913419539]
  単一高分解能超解像(SISR)は、単一の低分解能観測から構造的に忠実な高周波成分を回収することが曖昧であるため、非常に不明瞭である。 既存のエッジ対応の手法では、エッジ先行または注意枝をますます複雑なバックボーンにアタッチすることが多いが、アドホック融合は冗長性、不安定な最適化、あるいは限られた構造的利得をもたらすことが多い。 このギャップには, エッジ特徴量と中間特徴量から適応変調マップを導出するエッジ誘導型アテンション機構を用いて対処し, それらを正規化および再重み付けに応用し, 微妙なテクスチャを抑えつつ, 構造的に健全な領域を選択的に増幅する。
  論文  参考訳（メタデータ） (2025-09-18T02:31:24Z)
• Feature-Space Planes Searcher: A Universal Domain Adaptation Framework for Interpretability and Computational Efficiency [7.889121135601528]
  現在の教師なし領域適応法は微調整特徴抽出器に依存している。 領域適応フレームワークとしてFPS(Feature-space Planes Searcher)を提案する。 FPSは最先端の手法と比較して,競争力や性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-08-26T05:39:21Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Calibrated Feature Decomposition for Generalizable Person Re-Identification [82.64133819313186]
  Calibrated Feature Decomposition (CFD)モジュールは、人物の再識別の一般化能力の向上に焦点を当てている。 キャリブレーション・アンド・スタンダード化されたバッチ正規化(CSBN)は、キャリブレーションされた人物表現を学習するために設計されている。
  論文  参考訳（メタデータ） (2021-11-27T17:12:43Z)

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。