論文の概要: RAID: Towards Robust AI-Generated Image Detection with Bit-Reversed Images

• arxiv url: http://arxiv.org/abs/2607.28974v1
• Date: Fri, 31 Jul 2026 02:53:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.576921
• Title: RAID: Towards Robust AI-Generated Image Detection with Bit-Reversed Images
• Title（参考訳）: RAID:ビット反転画像を用いたロバストAI生成画像検出を目指す
• Abstract要約: ビットプレーンを用いたAI生成画像検出について検討し,ビット反転画像を導入する。 本稿では,ビット反転画像の構成,勾配ベースのパッチ選択,畳み込み分類器からなる,シンプルで効果的なパイプラインを提案する。 このアプローチは40以上のベンチマークで既存のメソッドよりも優れており、既存のメソッドよりも100倍近く高速です。
• 参考スコア（独自算出の注目度）: 25.492080916045012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid advancement of image generation models has made it increasingly difficult for people to distinguish AI-generated images from real ones. To prevent the potential risks associated with the misuse of fake images, AI-generated image detection has gained significant attention. Existing methods neglect the inherent differences between real and fake images, thus lacking robustness and generalization ability. In this work, we innovatively investigate AI-generated image detection using bit-planes, and introduce the bit-reversed image. We propose a simple yet effective pipeline consisting of construction of bit-reversed images, gradient-based patch selection and a convolutional classifier. Besides, we provide a theoretical analysis from the mathematical perspective to demonstrate the validity of our approach. We also introduce two challenging datasets for AI-generated image detection. Extensive experiments verify the effectiveness of our approach across different settings, including cross-generator generalization, cross-dataset generalization and zero-shot performance. Without bells and whistles, our approach outperforms existing methods on over 40 benchmarks, and is nearly 100 times faster than counterparts. The code is at https://github.com/renxi-seu/RAID.
• Abstract（参考訳）: 画像生成モデルの急速な進歩により、AI生成画像と実際の画像とを区別することがますます困難になっている。 偽画像の誤用に伴う潜在的なリスクを防止するため、AI生成画像検出が注目されている。 既存の手法は、実像と偽像の相違を無視し、堅牢性や一般化能力に欠ける。 本研究では,ビットプレーンを用いたAI生成画像検出を革新的に研究し,ビット反転画像を導入する。 本稿では,ビット反転画像の構成,勾配ベースのパッチ選択,畳み込み分類器からなる,シンプルで効果的なパイプラインを提案する。 さらに, 数学的観点から理論解析を行い, 提案手法の有効性を実証する。 また、AI生成画像検出のための2つの挑戦的データセットも導入する。 クロスジェネレータの一般化, クロスデータセットの一般化, ゼロショット性能など, 異なる設定でのアプローチの有効性を検証する。 ベルとホイッスルがなければ、我々のアプローチは40以上のベンチマークで既存のメソッドよりも優れており、既存のベンチマークよりも100倍近く高速です。 コードはhttps://github.com/renxi-seu/RAIDにある。

関連論文リスト

• 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)
• 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)
• 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)

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。