論文の概要: PE-Mamba: Bidirectional Selective Layer Aggregation for AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2608.07999v1
• Date: Sat, 08 Aug 2026 08:24:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.598585
• Title: PE-Mamba: Bidirectional Selective Layer Aggregation for AI-Generated Image Detection
• Title（参考訳）: PE-Mamba:AI生成画像検出のための双方向選択層アグリゲーション
• Abstract要約: textbfPE-Mambaは、軽量なLoRA適応を備えたトレーニング済みのPE-Coreビジョントランスフォーマ上に構築された新しいフレームワークである。 双方向選択的アグリゲータ(BSA)は、前方および後方選択的スキャンを通じて層単位での分類トークンを処理する。 ソフトマックス重み付けアグリゲータ(SWA)は、すべての層トークンの学習されたグローバルサマリを相補的な集約パスとして計算する。 シグモノイドゲートブレンド(SGA)は、学習可能なスカラーゲートを介してBSAおよびSWA出力を適応的に融合させる。
• 参考スコア（独自算出の注目度）: 2.1410799064827235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-generated image (AIGI) detection has become increasingly challenging due to the rapid advancement of generative models and the diminishing gap between synthetic and authentic content. Existing vision transformer-based detectors commonly rely on weighted-sum strategies to aggregate intermediate representations across transformer layers, often overlooking the inherently ordered semantic progression of hierarchical features from shallow texture cues to deep semantic representations. In this work, we propose \textbf{PE-Mamba}, a novel framework built upon a pre-trained PE-Core vision transformer with lightweight LoRA adaptation that introduces three complementary components for cross-layer feature aggregation and fusion. First, a bidirectional selective aggregator (BSA) processes layer-wise classification tokens through forward and backward selective scans, where the forward scan progressively accumulates shallow-to-deep forensic evidence, and the backward scan performs deep-to-shallow contextual refinement to reinterpret low-level cues in light of high-level semantic context. Second, a softmax-weighted aggregator (SWA) computes a learned global summary of all layer tokens as a complementary aggregation path. Third, a sigmoid-gated blend (SGA) adaptively fuses the BSA and SWA outputs via a learnable scalar gate, allowing the model to dynamically balance directional sequential evidence and global layer-wise aggregation. Extensive experiments on UniversalFakeDetect (96.6\% mACC, 99.5\% mAP) and AIGCDetect (95.3\% mACC, 98.1\% mAP) demonstrate that \methodname{} outperforms 18 detectors with superior generalization across diverse generative models, while training only 1.3\% of total parameters (0.13\% for LoRA alone).
• Abstract（参考訳）: AI生成画像(AIGI)の検出は、生成モデルの急速な進歩と、合成コンテンツと真正コンテンツの間のギャップの減少により、ますます困難になっている。 既存の視覚変換器ベースの検出器は、しばしば、浅いテクスチャキューから深いセマンティック表現への階層的特徴の本質的に順序づけられた意味的進行を見越して、トランスフォーマー層をまたいだ中間表現を集約する重み付きサム戦略に依存している。 そこで本研究では,LoRA適応の軽量なPE-Coreビジョントランスフォーマ上に構築された新しいフレームワークである \textbf{PE-Mamba} を提案する。 まず、双方向選択的アグリゲータ(BSA)は、前向きと後向きの選択的スキャンを通じて層単位での分類トークンを処理し、前向きスキャンは、徐々に浅層から深層までの法科学的な証拠を蓄積し、後向きスキャンは、高レベルな意味的文脈に照らして低レベルなキューを解釈するために、深層から浅層までの文脈改善を行う。 第二に、SWA(Softmax-weighted aggregator)は、すべての層トークンの学習した大域的な要約を相補的な集約パスとして計算する。 第3に、シグモイドゲートブレンド(SGA)は学習可能なスカラーゲートを介してBSAとSWAの出力を適応的に融合させ、モデルが方向性の逐次的証拠とグローバル層ワイドアグリゲーションを動的にバランスさせることができる。 UniversalFakeDetect (96.6\% mACC, 99.5\% mAP) と AIGCDetect (95.3\% mACC, 98.1\% mAP) の広範囲にわたる実験により、 \methodname{} は18個の検出器より優れており、様々な生成モデルにおいてより優れた一般化を持つ。

関連論文リスト

• HEDGE: Heterogeneous Ensemble for Detection of AI-GEnerated Images in the Wild [17.30735058274559]
  HEDGEはAIによる画像検出のための異種アンサンブルである。 RouteAは段階的なデータ拡張と拡張エスカレーションを通じて、DINOv3ベースの検出器を段階的に構築する。 RouteBには、詳細な法医学的手がかりのための高解像度ブランチが組み込まれており、RouteCには、バックボーンの多様性のためのMetaCLIP2ベースのブランチが追加されている。
  論文  参考訳（メタデータ） (2026-04-04T02:46:36Z)
• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Multi-Feature Fusion Approach for Generative AI Images Detection [3.16770435670322]
  3つの異なる空間からの相補的手がかりを組み合わせた多機能融合フレームワークを検討・評価する。 個々の特徴空間は、異なるジェネレータ間で大きな性能変動を示すことを示す。 最先端の手法と比較して、提案するフレームワークは、評価されたすべてのデータセットに対して一貫してパフォーマンスを向上する。
  論文  参考訳（メタデータ） (2026-03-31T14:25:10Z)
• LGEST: Dynamic Spatial-Spectral Expert Routing for Hyperspectral Image Classification [2.866506214681715]
  Local-Global Expert Spatial-Spectral Transformer (LGEST)は、3つの重要なイノベーションを組み合わせた新しいフレームワークである。 LGESTは、4つのベンチマークデータセットの実験において、最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-03-25T07:53:31Z)
• When Detectors Forget Forensics: Blocking Semantic Shortcuts for Generalizable AI-Generated Image Detection [48.75021863792367]
  Vision Foundation Models (VFMs, emphe.g., CLIP) は、しばしば目に見えない生成パイプラインを使って生成された画像に一般化するのに苦労する。 textbfGeometric Semantic Decoupling (GSD)を提案する。 GSDはバッチワイズ統計から意味論的方向を推定し、幾何学的制約によってそれらを投影し、アーティファクト検出器は意味論的不変な法医学的証拠に依存するように強制する。
  論文  参考訳（メタデータ） (2026-03-10T06:16:35Z)
• CtrlFuse: Mask-Prompt Guided Controllable Infrared and Visible Image Fusion [51.060328159429154]
  赤外線と可視画像の融合は、相補的なモダリティを組み合わせることで、全天候の知覚可能な画像を生成する。 我々は,マスクプロンプトによって誘導されるインタラクティブな動的融合を可能にする,制御可能な画像融合フレームワークであるCtrlFuseを提案する。 実験では、融合制御性とセグメンテーション精度の両立を実証し、適応されたタスク分岐は元のセグメンテーションモデルよりも優れていた。
  論文  参考訳（メタデータ） (2026-01-12T13:36:48Z)
• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• CINEMAE: Leveraging Frozen Masked Autoencoders for Cross-Generator AI Image Detection [25.84217122259626]
  CINEMAEはテキスト検出法の中核となる原則を視覚領域に適用する。 我々は、安定拡散v1.4のみをトレーニングし、GenImageベンチマークの8つの未知のジェネレータに対して95%以上の精度を達成した。 このことは、文脈条件の再構成の不確実性が、AIGC検出のための堅牢で転送可能な信号を提供することを示している。
  論文  参考訳（メタデータ） (2025-11-09T11:05:45Z)
• Hierarchical Fusion and Joint Aggregation: A Multi-Level Feature Representation Method for AIGC Image Quality Assessment [0.9821874476902972]
  AIGCの品質評価は、低レベルの視覚知覚から高レベルの意味理解まで多次元的な課題に直面している。 この制限に対処するため、多段階の視覚表現パラダイムとして、多段階の特徴抽出、階層的融合、共同集約の3段階が提案されている。 ベンチマーク実験では、両タスクにおいて優れた性能を示し、提案したマルチレベル視覚評価パラダイムの有効性を検証した。
  論文  参考訳（メタデータ） (2025-07-23T04:12:32Z)
• S^2Former-OR: Single-Stage Bi-Modal Transformer for Scene Graph Generation in OR [50.435592120607815]
  外科手術のシーングラフ生成(SGG)は、手術室(OR)におけるホモロジー認知知能の増強に不可欠である これまでの研究は主に多段階学習に依存しており、生成したセマンティックシーングラフはポーズ推定とオブジェクト検出を伴う中間プロセスに依存している。 本研究では,S2Former-OR(S2Former-OR)と呼ばれるORにおけるSGGのための新しいシングルステージバイモーダルトランスフォーマフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-22T11:40:49Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)

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。