論文の概要: DailyBench: A Unified Benchmark for AI-Generated and Manipulated Images from Modern Generative Models

• arxiv url: http://arxiv.org/abs/2607.24016v2
• Date: Tue, 28 Jul 2026 08:10:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 14:13:57.677353
• Title: DailyBench: A Unified Benchmark for AI-Generated and Manipulated Images from Modern Generative Models
• Title（参考訳）: DailyBench: 現代の生成モデルからAI生成および操作された画像の統一ベンチマーク
• Authors: Xin Jiang, Hao Tang, Junyao Gao, Meiqi Cao, Fei Shen, Dongming Zhang, Yongdong Zhang,
• Abstract要約: DailyBenchは、AI生成画像検出器がフルイメージ合成とオブジェクトレベルの操作の両方で一般化できるかどうかを評価するための高品質な統一ベンチマークである。 DailyBenchには2つの補完的なサブセットがある。FakeBenchは、最近のオープンソースおよび商用生成モデルによって合成された高品質なイメージを含む。
• 参考スコア（独自算出の注目度）: 41.18929991373216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in generative models have shifted AI-generated image detection from identifying easily distinguishable, fully synthetic images to identifying highly realistic content generated by both modern generation and manipulation pipelines. However, existing detection benchmarks are often built with outdated generative models and primarily emphasize full-image synthesis, creating a growing mismatch between benchmark data and the images encountered in real-world generation and editing scenarios. To bridge this gap, we introduce DailyBench, a high-quality unified benchmark for evaluating whether AI-generated image detectors can generalize across both modern full-image synthesis and object-level manipulation. DailyBench contains two complementary subsets: FakeBench, which includes high-quality images synthesized by recent open-source and commercial generative models, and ManipulationBench, which introduces challenging object-level edits applied to real images using advanced image-conditional models. This design makes DailyBench a realistic testbed for studying both generator-level generalization and manipulation-aware detection under subtle local edits. Experiments on DailyBench reveal substantial robustness gaps in current detectors: methods reporting 91-96% balanced accuracy on GenImage drop to 60-76% on FakeBench and 54-66% on ManipulationBench. These results show that existing detectors remain poorly generalized to realistic synthesis and manipulation, highlighting DailyBench as a rigorous testbed for developing robust and manipulation-aware AI-generated image detection methods. The project is available at https://dailybench.github.io/
• Abstract（参考訳）: 生成モデルの最近の進歩は、AI生成画像の検出を、識別が容易で完全に合成された画像から、現代的な生成パイプラインと操作パイプラインの両方によって生成される非常に現実的なコンテンツへとシフトしてきた。 しかし、既存の検出ベンチマークは時代遅れの生成モデルで構築され、主にフルイメージの合成を強調し、ベンチマークデータと実際の生成および編集シナリオで発生する画像とのミスマッチが増大する。 このギャップを埋めるために、AI生成画像検出器が現代のフルイメージ合成とオブジェクトレベルの操作の両方で一般化できるかどうかを評価するための高品質な統合ベンチマークであるDailyBenchを紹介した。 DailyBenchには2つの補完的なサブセットがある。FakeBenchは、最近のオープンソースおよび商用生成モデルによって合成された高品質なイメージを含む。 この設計によりDailyBenchは、微妙なローカル編集の下でジェネレータレベルの一般化と操作認識検出の両方を研究するための現実的なテストベッドとなる。 DailyBenchの実験では、現在の検出器において、91-96%の精度でFakeBenchが60-76%、ManipulationBenchが54-66%に低下した。 これらの結果から,既存の検出器は依然として現実的な合成と操作に不十分な一般化を保ち,DailyBenchは堅牢で操作に敏感なAI生成画像検出手法を開発するための厳密なテストベッドであることがわかった。 プロジェクトはhttps://dailybench.github.io/で公開されている。

関連論文リスト

• SSAFE: Simple and Strong AI-Generated Image Detection via Frozen Vision Encoders [61.07733730455141]
  現代のマルチモーダル視覚表現において,画像の真正性に関する情報がどのように符号化されているかを検討する。 我々は,学習用代表生成器のコンパクトな集合を選択する表現対応型データキュレーション戦略を開発した。 実験により、凍結したマルチモーダル表現と慎重にキュレートされたトレーニングデータを組み合わせることで、AI生成画像検出に対するシンプルで効果的なアプローチが示される。
  論文  参考訳（メタデータ） (2026-06-07T13:56:17Z)
• 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)
• 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)
• 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)
• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• A Sanity Check for AI-generated Image Detection [49.08585395873425]
  我々はAI生成画像を検出するAI生成画像検出装置(AI生成画像検出装置)を提案する。 AIDEは最先端の手法を+3.5%、+4.6%改善した。
  論文  参考訳（メタデータ） (2024-06-27T17:59:49Z)
• Detection of Synthetic Face Images: Accuracy, Robustness, Generalization [0.7161783472741748]
  合成画像と実画像の分離において,特定の画像生成装置で訓練した簡単なモデルでほぼ完璧な精度が得られることがわかった。 このモデルは敵の攻撃に弱いことが判明し、目に見えない発電機には一般化されなかった。
  論文  参考訳（メタデータ） (2024-06-25T13:34:50Z)

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。