論文の概要: LHSDet: High-Resolution AI-Generated Image Detection via Visual Question Answering

• arxiv url: http://arxiv.org/abs/2608.07863v1
• Date: Sat, 08 Aug 2026 02:13:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.537206
• Title: LHSDet: High-Resolution AI-Generated Image Detection via Visual Question Answering
• Title（参考訳）: LHSDet:ビジュアル質問応答による高解像度AI生成画像検出
• Abstract要約: LHSDetと呼ばれる新しい高分解能AI生成画像検出器を提案する。 視覚質問応答問題としてAI生成画像検出タスクを定式化する。 我々は視覚とテキストの相補的な情報を完全に活用するために、微調整の視覚言語フレームワークを使用します。
• 参考スコア（独自算出の注目度）: 9.47286721599147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driven by advances in diffusion models and autoregressive models, the fidelity and resolution of AI-generated images now rival those of real images. However, existing AI-generated image detection methods often downsample the images, inevitably overlooking critical low-level texture details in high-resolution AI-generated images, therefore limiting their detection performance. In addition, the ceaseless emergence of unknown generative models makes large-scale pre-training datasets inaccessible. To address these challenges, we propose a novel high-resolution AI-generated image detector, termed LHSDet. Specifically, we formulate the AI-generated image detection task as a Visual Question Answering problem, leveraging a fine-tuned vision-language framework to fully exploit the complementary information between visual and textual modalities. Recognizing that the default visual encoder of existing vision-language models is not tailored for AI-generated image detection, we redesign a visual encoder to better capture both the low-level and high-level artifacts inherent in AI-generated images. Furthermore, we incorporate a semantic-level textual branch to enable multi-modal feature fusion and detection. Consequently, LHSDet employs a triple-branch architecture to extract complementary multi-modal features: a low-level visual branch that aggregates non-overlapping patches for local texture cues, a high-level visual branch based on SigLIP2 for global perception feature extraction, and a semantic-level textual branch that generates captions using BLIP-2. Extensive experimental results demonstrate that LHSDet achieves high detection accuracy and robust performance across diverse generative models, including both diffusion and autoregressive models.
• Abstract（参考訳）: 拡散モデルと自己回帰モデルの発展によって駆動されるAI生成画像の忠実度と解像度は、今では実際の画像と競合している。 しかし、既存のAI生成画像検出手法では、高解像度のAI生成画像において、必然的に重要な低レベルのテクスチャの詳細を見落とし、検出性能を制限している。 さらに、未知の生成モデルの絶え間ない出現は、大規模な事前学習データセットへのアクセスを不可能にする。 これらの課題に対処するために,LHSDetと呼ばれる新しい高分解能AI生成画像検出器を提案する。 具体的には、AI生成画像検出タスクを視覚質問応答問題として定式化し、微調整された視覚言語フレームワークを活用し、視覚とテキストの相補的な情報を完全に活用する。 既存の視覚言語モデルのデフォルトのビジュアルエンコーダは、AI生成画像の検出には適していないことを認識し、我々は、AI生成画像に固有の低レベルと高レベルのアーティファクトの両方をよりよく捉えるために、ビジュアルエンコーダを再設計する。 さらに,マルチモーダルな特徴の融合と検出を可能にするために,意味レベルのテキスト分岐を組み込んだ。 その結果、LHSDetは、局所テクスチャキューの非重複パッチを集約する低レベル視覚ブランチ、グローバルな知覚特徴抽出のためのSigLIP2に基づく高レベル視覚ブランチ、BLIP-2を使用してキャプションを生成するセマンティックレベルテキストブランチなど、補完的なマルチモーダル特徴を抽出するためにトリプルブランチアーキテクチャを採用している。 LHSDetは拡散モデルと自己回帰モデルの両方を含む多種多様な生成モデルに対して高い検出精度と頑健な性能を達成できることを示した。

関連論文リスト

• Generated Images Are Easier to Forget: A Machine Unlearning Perspective for Synthetic Image Detection [107.62647907393377]
  Webスケールデータセットに事前トレーニングされた大規模ビジョンモデル(LVM)は、例外的な一般化能力を示している。 1)データアクセスなしで未学習を誘発するデータフリー検出法,2)LVMを生成画像に関連付けられた未学習の知識に最適化するデータ駆動検出法,である。
  論文  参考訳（メタデータ） (2026-08-01T15:33:15Z)
• Can Vision-Language Models Reason about AI Edits in Images? [78.04125956307838]
  VLM(Vision-Language Models)は、強力な視覚的理解と推論能力のために、有望な代替手段を提供する。 簡単な精度と形式報酬を利用するGRPOベースのトレーニングフレームワークを提案する。 提案手法は,最先端画像フォージェリ検出器と比較して,競合検出と局所化性能を実現する。
  論文  参考訳（メタデータ） (2026-07-30T16:23:40Z)
• TAP into the Patch Tokens: Leveraging Vision Foundation Model Features for AI-Generated Image Detection [0.10705399532413612]
  我々は、複数の視覚基盤モデル(VFM)の総合的なベンチマークを示す。 完全生成されたAI画像とAI塗装画像を検出するためのアウト・オブ・ボックスの性能を評価する。 本稿では,出力トークンをグローバル表現に集約する可変アテンションプーリング(TAP)を利用して,分類器ヘッドの簡易な再設計を提案する。
  論文  参考訳（メタデータ） (2026-04-29T15:03:25Z)
• Detecting AI-Generated Images via Distributional Deviations from Real Images [6.615773227400183]
  ファインチューニング中に生成モデル固有のパターンを含むテクスチャ領域をマスクするテクスチャ・アウェア・マスキング(TAM)機構を導入する。 我々の手法は最小限の画像しか調整されず、既存の手法よりも大幅に優れており、2つのデータセットの平均精度は98.2%と94.6%に達する。
  論文  参考訳（メタデータ） (2026-01-07T05:00:13Z)
• Self-Supervised AI-Generated Image Detection: A Camera Metadata Perspective [80.10217707456046]
  カメラメタデータを利用したAI生成画像検出のための自己教師型アプローチを提案する。 分類型EXIFタグを分類することにより,撮影画像のみに特徴抽出器を訓練する。 我々の検出器は、電界中のサンプルに対して強力な一般化と、一般的な良性イメージの摂動に対する堅牢性を提供する。
  論文  参考訳（メタデータ） (2025-12-05T11:53:18Z)
• Mirage: Unveiling Hidden Artifacts in Synthetic Images with Large Vision-Language Models [5.0378934905319355]
  説明可能なAI画像検出にLVLM(Large Vision-Language Models)を利用することができるかを検討する。 Mirageと既存のベンチマークデータセットを用いた実験により、LVLMは目に見えるアーティファクトでAI生成画像を検出するのに非常に効果的であるが、そのような手がかりを欠いた画像に直面すると性能が低下することが示された。
  論文  参考訳（メタデータ） (2025-10-04T15:38:39Z)
• Text-Visual Semantic Constrained AI-Generated Image Quality Assessment [47.575342788480505]
  本稿では,AI生成画像におけるテキスト画像の一貫性と知覚歪みの両方を包括的に評価する統合フレームワークを提案する。 このアプローチでは、複数のモデルから重要な機能を統合し、2つのコアモジュールを導入することで、上記の課題に取り組む。 複数のベンチマークデータセットで実施されたテストは、SC-AGIQAが既存の最先端メソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2025-07-14T16:21:05Z)
• 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。