論文の概要: DECODE: Tackling Representation and Decision Degradation in Continual AI-Generated Image Detection
- arxiv url: http://arxiv.org/abs/2607.27882v1
- Date: Thu, 30 Jul 2026 08:55:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.469633
- Title: DECODE: Tackling Representation and Decision Degradation in Continual AI-Generated Image Detection
- Title（参考訳）: DECODE:連続AI生成画像検出における表現と決定の劣化に対処する
- Abstract要約: 本稿では,表現と決定のレベルでの忘れを緩和する分離された連続検出フレームワークを提案する。
19の生成領域の実験では、DECODEの平均精度は99.36%で、わずか0.39%しか忘れていない。
- 参考スコア（独自算出の注目度）: 18.945634783248202
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As generative models continue to evolve, AI-generated image detectors must incrementally adapt to emerging generative domains while preserving knowledge acquired from previous ones. This continual learning setting is particularly challenging because forensic traces are often subtle and generator-specific, making detectors highly vulnerable to catastrophic forgetting. Existing methods primarily address this problem by stabilizing feature representations, implicitly treating forgetting as a representation-level issue. In this paper, we show that this perspective is incomplete. We demonstrate that even when feature representations remain discriminative, the decision boundary can progressively drift as the classification head is continually optimized on new domains. These two effects jointly give rise to a compound failure mode, termed Dual Degradation. To overcome this challenge, we propose DECODE, a decoupled continual detection framework that jointly mitigates representation- and decision-level forgetting. Specifically, we introduce Subspace Diversity Regularization (SDR) to preserve diverse forensic representations and Closed-Form Decision Alignment (CDA) to recalibrate the shared classification head after each adapter merge without manual hyperparameter tuning. Extensive experiments on 19 generative domains show that DECODE achieves an average accuracy of 99.36% with only 0.39% forgetting, while further generalizing to 11 unseen generators with 95.36% accuracy.
- Abstract（参考訳）: 生成モデルが進化を続けるにつれて、AI生成画像検出器は、既存の領域から取得した知識を維持しながら、新たな生成ドメインに漸進的に適応する必要がある。
この連続的な学習環境は、しばしば法医学的痕跡が微妙で、発生器固有のため、破滅的な忘れ物に対して非常に脆弱であるため、特に難しい。
既存のメソッドは、主に特徴表現を安定化することでこの問題に対処し、表現レベルの問題として忘れを暗黙的に扱う。
本稿では,この視点が不完全であることを示す。
特徴表現が差別的のままであっても、分類ヘッドが新しいドメインに継続的に最適化されているため、決定境界が徐々にドリフトすることを示します。
これらの2つの効果は、二重劣化と呼ばれる複合的な故障モードを引き起こす。
この課題を克服するために,DECODEを提案する。DECODEは非結合な連続検出フレームワークで,表現と決定のレベルでの忘れを共同で軽減する。
具体的には,サブスペースの多様性規則化(SDR)を導入して,多様な法定表現を保存するとともに,手動のハイパーパラメータチューニングを使わずに,各アダプタがマージした後に共有分類ヘッドを校正するCDA(Closed-Form Decision Alignment)を導入する。
19の生成領域に関する大規模な実験では、DECODEの平均精度は99.36%で、わずか0.39%しか忘れていないが、さらに95.36%の精度で11個の未確認発電機に一般化されている。
関連論文リスト
- Where Does Generative Difficulty Reside? An Empirical Study of Target Representations [62.54876287800644]
ターゲット表現は、イメージジェネレータが学ぶ必要がある分布を定義するが、しばしば交換可能なインターフェースとして扱われる。
マスク付き自己回帰整流モデルにおいて,生画素,SD-VAE潜伏剤,DINOv2,MAE表現-オートエンコーダの特徴について検討した。
その結果, 圧縮, 再構成忠実度, トークン次元, 可視的セマンティッククラスタリングは生成挙動を個別に予測できないことがわかった。
論文 参考訳（メタデータ） (2026-08-01T12:32:31Z) - DNA: Dual-stage Native Attribution for Generated Image Source Tracing [75.65470221927096]
既存のプロアクティブな方法は、透かしの埋め込みやモデル修正に依存している。
DNAは、ニューラルネットワークのトレーニングを追加せずに、この階層に従う粗大なフレームワークである。
実験の結果、DNAは89.11%のエンドツーエンドの属性精度を達成している。
論文 参考訳（メタデータ） (2026-07-15T10:27:52Z) - Perception, Verdict, and Evolution: Hindsight-Driven Self-Refining Forensics Agent for AI-Generated Image Detection [80.15317858033534]
ForeAgentは、反復的な自己進化を伴うAI生成画像検出のためのエージェント法医学フレームワークである。
ForeAgentはChameleonベンチマークで最先端のパフォーマンスを達成し、精度は82.18%に達した。
ForeAgent は GPT-5 や GPT-5-mini と比較して、より一貫性があり、因果的な推論をもたらす。
論文 参考訳（メタデータ） (2026-06-25T02:59:33Z) - AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。
ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。
実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文 参考訳（メタデータ） (2026-06-02T13:30:54Z) - Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
遅延不一致による冗長性を除去する学習自由フレームワークを提案する。
LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
論文 参考訳（メタデータ） (2026-05-29T19:34:39Z) - UnGAP: Uncertainty-Guided Affine Prompting for Real-Time Crack Segmentation [16.902729686979303]
UPFM(Uncertainty-Prompted Feature Modulator)は、単に出力ではなく、アクティブな視覚的プロンプトとして、アレタリック不確実性を扱う。
UnGAPは、より優れたセグメンテーション精度とリアルタイムの推論速度のバランスをとる。
論文 参考訳（メタデータ） (2026-05-04T09:18:57Z) - Unconstrained Multi-view Human Pose Estimation with Algebraic Priors [28.69737225698459]
本研究では,深層ニューラルネットワーク,代数的先行性,時間的ダイナミクスを相乗化して非平衡ポーズ推定を行う非拘束フレームワークを提案する。
本フレームワークは,非校正型多視点人間のポーズ推定のための新しい最先端技術を確立する。
論文 参考訳（メタデータ） (2026-04-27T11:01:55Z) - Scaling Up AI-Generated Image Detection via Generator-Aware Prototypes [15.99138549265524]
GAPL(Generator-Aware Prototype Learning)は、構造化学習パラダイムで表現を制約するフレームワークである。
GAPLは最先端の性能を達成し、多様なGANおよび拡散型ジェネレータにおいて優れた検出精度を示す。
論文 参考訳（メタデータ） (2025-12-15T04:58:08Z) - 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) - Semi-Supervised Unconstrained Head Pose Estimation in the Wild [57.11798881492183]
本研究では,最初の半教師なしヘッドポーズ推定手法であるSemiUHPEを提案する。
本手法は, 前回のランドマークに基づくアフィンアライメントよりも, 野生の頭部のアスペクト比不変収穫が優れているという観測に基づいている。
提案手法は, 汎用物体回転回帰法や3次元頭部再構成法など, その他の密接に関連する問題を解く上でも有用である。
論文 参考訳（メタデータ） (2024-04-03T08:01:00Z)
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。