Fugu-MT 論文翻訳(概要): Test-Time Curriculum for Open-Set AIGC Detection

論文の概要: Test-Time Curriculum for Open-Set AIGC Detection

arxiv url: http://arxiv.org/abs/2608.00559v1
Date: Sat, 01 Aug 2026 09:42:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:24.770242
Title: Test-Time Curriculum for Open-Set AIGC Detection
Title（参考訳）: オープンセットAIGC検出のためのテスト時間カリキュラム
Abstract要約: Test-Time Curriculum (TTC)は、カリキュラムベースの自己学習を通じてラベルのないテストデータに検出器を適用する。 TTCは、信頼性の高い擬似ラベルのサンプルから始まり、より難しいが有益な事例を取り入れている。クロススケール Pseudo-Label Refinement は、より信頼性の高い適応のために複数の解像度で補完的な証拠を集約する。
参考スコア（独自算出の注目度）: 31.702537861903014
License: http://creativecommons.org/licenses/by/4.0/
Abstract: AI-generated image detectors deployed in open-world environments inevitably face distribution shifts as new and stronger generative models continue to emerge. Although existing methods improve cross-generator generalization through better representations or training data construction, they typically follow a static train-once-and-deploy paradigm and cannot adapt after deployment. In this work, we study open-set AIGC image detection from a test-time adaptation perspective. We propose Test-Time Curriculum (TTC), a simple and model-agnostic framework that adapts a detector on unlabeled test data through curriculum-based self-training. TTC starts from highly reliable pseudo-labeled samples and progressively incorporates harder yet informative cases, while enforcing class-balanced selection to reduce biased updates under generator shift. To further improve pseudo-label quality, we introduce Cross-Scale Pseudo-Label Refinement, which aggregates complementary evidence across multiple resolutions for more reliable adaptation, and applies noisy-or fusion at inference to strengthen final predictions. In addition, we construct AIGCGuard, a new benchmark containing 3,100 representative real images and 124,000 generated images from 40 of the most advanced open-source and proprietary text-to-image models. Extensive experiments on five benchmarks show that TTC substantially improves overall detection performance under diverse unseen-generator shifts, establishing a practical and effective test-time adaptation framework for open-set generated image detection.
Abstract（参考訳）: オープンワールド環境に展開されるAI生成画像検出器は、新しい強力な生成モデルが登場し続けているため、必然的に分散シフトに直面している。既存の手法では、表現性の向上やデータ構築のトレーニングを通じて、クロスジェネレータの一般化を改善するが、通常は静的なトレイン・アンド・デプロイのパラダイムに従っており、デプロイ後に適応できない。本研究では,テスト時間適応の観点から,オープンセットのAIGC画像検出について検討する。テスト時間カリキュラム(TTC, Test-Time Curriculum)は、カリキュラムベースの自己学習を通じて、ラベルなしテストデータに検出器を適応させる、シンプルでモデルに依存しないフレームワークである。 TTCは、信頼性の高い擬似ラベル付きサンプルから始まり、より難しいが情報的なケースを徐々に取り入れつつ、クラスバランスの選択を強制し、ジェネレータシフトによるバイアスのある更新を減らす。擬似ラベルの品質をさらに向上するため,複数解像度の相補的証拠を集約し,より信頼性の高い適応を行うクロススケール擬似ラベルリファインメントを導入し,最終的な予測を強化するため,推論時にノイズや融合を適用した。さらに、最も先進的なオープンソースおよびプロプライエタリなテキスト・ツー・イメージモデルの40から3,100の代表的な実画像と124,000の生成された画像を含む新しいベンチマークであるAIGCGuardを構築した。 5つのベンチマークの大規模な実験により、TTCは様々な未知のジェネレータシフトによる全体的な検出性能を大幅に改善し、オープンセット生成画像検出のための実用的で効果的なテスト時間適応フレームワークを確立した。

関連論文リスト

Supervised Contrastive Learning for Few-Shot AI-Generated Image Detection and Attribution [3.103291412074661]
本研究では,合成画像検出に固有の一般化問題に対処する新しい2段階検出フレームワークを提案する。提案手法は,既存手法よりも5.2ポイント向上した平均検出精度91.3%を実現する。
論文参考訳（メタデータ） (2025-11-20T16:53:24Z)
Beyond Frequency: Scoring-Driven Debiasing for Object Detection via Blueprint-Prompted Image Synthesis [97.37770785712475]
オブジェクト検出のための世代ベースデバイアスフレームワークを提案する。提案手法は,未表現オブジェクト群の性能ギャップを著しく狭める。
論文参考訳（メタデータ） (2025-10-21T02:19:12Z)
Towards Generalizable AI-Generated Image Detection via Image-Adaptive Prompt Learning [33.269644831847636]
画像適応型プロンプト学習(IAPL)は、学習後に修正するのではなく、各入力画像に応じてプロンプトを調整する新しいパラダイムである。 IAPLは、広く使われているUniversalFakeDetectとGenImageデータセットで95.61%と96.7%の精度で最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-08-03T05:41:24Z)
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)
Diffusion-Enhanced Test-time Adaptation with Text and Image Augmentation [67.37146712877794]
IT3Aは、未知の新しいドメインから各テストサンプルをマルチモーダル拡張するために、事前訓練された生成モデルを利用する新しいテスト時間適応手法である。事前学習された視覚と言語モデルからの強化されたデータを組み合わせることで、未知の新しいテストデータに適応するモデルの能力を高めることができる。ゼロショット設定では、IT3Aは5.50%の精度で最先端のテスト時間プロンプトチューニング手法より優れている。
論文参考訳（メタデータ） (2024-12-12T20:01:24Z)
Just Shift It: Test-Time Prototype Shifting for Zero-Shot Generalization with Vision-Language Models [19.683461002518147]
Test-Time Prototype Shifting (TPS)は、未ラベルのテスト入力を使用したデータセットのテストに視覚言語モデルを適用するために設計された先駆的なアプローチである。 TPSは、その後の予測のために最適化不要なプロトタイプの再利用を促進するだけでなく、プロンプトエンジニアリングにおける現在の進歩とシームレスに統合することを可能にする。我々のフレームワークの特筆すべき点は、従来のテキストプロンプトチューニング手法と比較して、メモリと計算要求が大幅に削減されていることである。
論文参考訳（メタデータ） (2024-03-19T17:54:34Z)
Forgery-aware Adaptive Transformer for Generalizable Synthetic Image Detection [106.39544368711427]
本研究では,様々な生成手法から偽画像を検出することを目的とした,一般化可能な合成画像検出の課題について検討する。本稿では,FatFormerという新しいフォージェリー適応トランスフォーマー手法を提案する。提案手法は, 平均98%の精度でGANを観測し, 95%の精度で拡散モデルを解析した。
論文参考訳（メタデータ） (2023-12-27T17:36:32Z)
Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文参考訳（メタデータ） (2023-08-03T07:45:53Z)
Test-time Adaptation with Slot-Centric Models [63.981055778098444]
Slot-TTAは、半教師付きシーン分解モデルであり、シーンごとのテスト時間は、再構成やクロスビュー合成の目的に対する勾配降下を通じて適用される。我々は、最先端の監視フィードフォワード検出器と代替テスト時間適応法に対して、配電性能が大幅に向上したことを示す。
論文参考訳（メタデータ） (2022-03-21T17:59:50Z)
MEMO: Test Time Robustness via Adaptation and Augmentation [131.28104376280197]
テスト時間ロバスト化の問題、すなわちモデルロバスト性を改善するためにテストインプットを用いて検討する。最近の先行研究ではテスト時間適応法が提案されているが、それぞれ追加の仮定を導入している。モデルが確率的で適応可能な任意のテスト環境で使用できるシンプルなアプローチを提案する。
論文参考訳（メタデータ） (2021-10-18T17:55:11Z)

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。