論文の概要: Image Quality Dependent Degradation for AI Systems

• arxiv url: http://arxiv.org/abs/2607.25736v1
• Date: Tue, 28 Jul 2026 14:00:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.863862
• Title: Image Quality Dependent Degradation for AI Systems
• Title（参考訳）: AIシステムにおける画質依存劣化
• Abstract要約: 知覚は、ニューラルネットワークが従来のアルゴリズムより優れている主要な応用の1つである。 AIシステムの大きな課題は、その出力が入力画像の品質に大きく依存していることである。 画像品質が劣る状況において、最も重大なエラーを回避できることを示す。
• 参考スコア（独自算出の注目度）: 0.7816377212023298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Perception is one of the primary applications where neural networks outperform conventional algorithms. One example is AI systems for automated driving, which can detect pedestrians based on image data and avoid them accordingly. A substantial challenge with these AI systems is that their output depends heavily on the quality of the input images. For example, if an image is of inferior quality due to heavy contamination, such as noise or darkness, accurate predictions are hardly feasible. Additionally, various types of errors can occur, each with varying relevance to the trustworthiness of the underlying AI system. In particular, it may be more critical not to detect an existing person than to detect a person where there is none. Therefore, we want to show that we can still avoid the most critical errors in situations of inferior image quality. To achieve this, we aim to establish a fail-degraded system by lowering the network's confidence threshold based on the estimated image quality, enabling it to detect objects more cautiously in uncertain situations. Additionally, we present a novel method for estimating the quality of incoming images by comparing them to the training data using normalizing flows. We will also conduct experiments applying our method to state-of-the-art object detection. In summary, we will present a design strategy for AI-based systems in automated driving that can deal with poor-quality input data without resorting to fallback solutions. Such measures enhance trust in AI-based systems and lead to an increased provision of the AI component.
• Abstract（参考訳）: 知覚は、ニューラルネットワークが従来のアルゴリズムより優れている主要な応用の1つである。 例えば、自動走行のためのAIシステムでは、画像データに基づいて歩行者を検出し、それを避けることができる。 これらのAIシステムの大きな課題は、その出力が入力画像の品質に大きく依存していることである。 例えば、ノイズや暗さなどの重い汚染によって画像が品質が劣っている場合、正確な予測はほとんど不可能である。 さらに、さまざまなタイプのエラーが発生し、それぞれが基盤となるAIシステムの信頼性にさまざまな関連性を持つ。 特に、既存の人物を検知するよりも、存在していない人物を検知する方が重要かもしれない。 したがって、画像品質が劣る状況において、最も重大なエラーを回避できることを示す必要がある。 これを実現するために、推定画像品質に基づいてネットワークの信頼度を下げ、不確実な状況下でより慎重に物体を検出することによって、フェール劣化システムを確立することを目的とする。 さらに、正規化フローを用いたトレーニングデータと比較することにより、入ってくる画像の品質を推定する新しい手法を提案する。 我々はまた、この手法を最先端の物体検出に適用する実験も行います。 要約すると、我々は、フォールバックソリューションに頼ることなく、品質の悪い入力データを扱うことができる自動運転において、AIベースのシステムの設計戦略を提示します。 このような措置により、AIベースのシステムの信頼性が向上し、AIコンポーネントのプロビジョニングが増加します。

関連論文リスト

• Addressing Camera Sensors Faults in Vision-Based Navigation: Simulation and Dataset Development [41.94295877935867]
  本研究は、惑星間探査ミッションのシナリオに焦点を当てる。 VBNパイプライン内で使用されるカメラセンサの潜在的な故障事例を包括的に分析する。 合成画像中の故障状態を再現するシミュレーションフレームワークを導入し、故障データの体系的かつ制御された再生を可能にする。 結果として得られたフォールトインジェクト画像のデータセットは、AIベースのフォールト検出アルゴリズムをトレーニングし、テストするための貴重なツールを提供する。
  論文  参考訳（メタデータ） (2025-07-03T13:23:22Z)
• RAID: A Dataset for Testing the Adversarial Robustness of AI-Generated Image Detectors [57.81012948133832]
  本稿では,72kの多種多様かつ高い変換可能な対向例からなるRAID(Robust Evaluation of AI- generated Image Detectors)を提案する。 提案手法は,未知の検出器に高い成功率で転送する逆画像を生成する。 以上の結果から,現在最先端のAI生成画像検出器は,敵の例によって容易に認識できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-04T14:16:00Z)
• Epistemic Uncertainty for Generated Image Detection [107.62647907393377]
  本稿では,創成モデルの時代において重要なセキュリティ問題に対処することを目的とした,てんかん不確実性によるAI生成画像検出のための新しいフレームワークを提案する。 我々の重要な洞察は、トレーニングとテストデータの分布の相違が、機械学習モデルのエピステマティック不確実性空間に顕著に現れていることに起因している。
  論文  参考訳（メタデータ） (2024-12-08T11:32:25Z)
• Addressing Vulnerabilities in AI-Image Detection: Challenges and Proposed Solutions [0.0]
  本研究では,AI生成画像の検出における畳み込みニューラルネットワーク(CNN)とDenseNetアーキテクチャの有効性を評価する。 本稿では,ガウスのぼかしやテキスト変更,ローランド適応(LoRA)などの更新や修正が検出精度に与える影響を解析する。 この発見は、現在の検出方法の脆弱性を強調し、AI画像検出システムの堅牢性と信頼性を高めるための戦略を提案する。
  論文  参考訳（メタデータ） (2024-11-26T06:35:26Z)
• 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)
• Improving Interpretability and Robustness for the Detection of AI-Generated Images [6.116075037154215]
  凍結したCLIP埋め込みに基づいて、既存の最先端AIGI検出手法を解析する。 さまざまなAIジェネレータが生成する画像が実際の画像とどのように異なるかを示す。
  論文  参考訳（メタデータ） (2024-06-21T10:33:09Z)
• 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)
• Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
  劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-05T09:36:13Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)

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。