論文の概要: Robustness of AI-Art Detectors under Generator Shift

• arxiv url: http://arxiv.org/abs/2608.11643v1
• Date: Wed, 12 Aug 2026 04:41:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.450408
• Title: Robustness of AI-Art Detectors under Generator Shift
• Title（参考訳）: 発電機シフト時のAI-Art検出器のロバスト性
• Abstract要約: ほとんどのAIアート検出器は、同じジェネレータファミリーで訓練され、評価され、新しいアーキテクチャは未調査のままである。 深層学習モデルは、強い分配効果を示すが、ジェネレータシフトにより劣化し、多くのSD3.5m画像を人間として誤分類する一方で、人間の偽陽性は低いままである。 これらの知見は、現在のAI技術検出器の一般化ギャップを浮き彫りにし、層状防御の1つの構成要素として検出器の開発を動機付けている。
• 参考スコア（独自算出の注目度）: 0.22940141855172028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-image generative models have advanced rapidly, with modern Diffusion Transformer architectures producing images that are increasingly difficult to distinguish from human-created artwork. This development has raised significant concerns regarding copyright protection, misinformation, fraud, impersonation, and the authenticity of digital content. Most AI-art detectors are trained and evaluated on the same generator family, leaving robustness to newer architectures underexplored. In this chapter, we analyze generator shift based on a Stable Diffusion 3.5 Medium (SD3.5m) artwork dataset spanning ten art styles through reverse prompting of held-out human artwork samples. Five detectors are trained on U-Net-based latent diffusion artwork and evaluated in a zero-shot cross-generator setting on the SD3.5m dataset. Deep learning models perform strongly in-distribution but degrade under generator shift, misclassifying many SD3.5m images as human while human false positives remain low. The CLIP ViT-L/14 model performs best overall, while Grad-CAM analysis reveals weaker and more diffuse activation on false negatives. These findings highlight a generalization gap in current AI-art detectors and motivate the development of detectors as one component of a layered defense that remains reliable across rapidly evolving generative architectures.
• Abstract（参考訳）: テキストから画像への生成モデルは急速に進歩し、現代のDiffusion Transformerアーキテクチャでは、人間が作成したアートワークと区別することがますます困難になっている。 この発展は、著作権保護、誤報、詐欺、偽造、およびデジタルコンテンツの真正性に関する重要な懸念を提起している。 ほとんどのAIアート検出器は、同じジェネレータファミリーで訓練され、評価され、新しいアーキテクチャが未探索のままである。 本章では,10種類のアートスタイルにまたがる安定拡散3.5媒体(SD3.5m)アートデータセットに基づいて,ホールドアウトされたヒトアートサンプルの逆プロンプトによるジェネレータシフトを分析する。 5つの検出器は、U-Netベースの潜伏拡散アートワークに基づいて訓練され、SD3.5mデータセット上のゼロショットクロスジェネレータ設定で評価される。 深層学習モデルは、強い分配効果を示すが、ジェネレータシフトにより劣化し、多くのSD3.5m画像を人間として誤分類する一方で、人間の偽陽性は低いままである。 CLIP ViT-L/14 モデルは全体として最も優れており、Grad-CAM 解析では偽陰性に対してより弱く、より拡散的な活性化を示す。 これらの知見は、現在のAI技術検出器の一般化ギャップを浮き彫りにして、急速に進化する生成的アーキテクチャにおいて信頼性が保たれている層状防御の1つの構成要素として検出器の開発を動機付けている。

関連論文リスト

• Where Detectors Fail: Probing Generative Space for Generalizable AI-Generated Image Detection [69.6123714120735]
  AI生成画像(AIGI)の検出は、検出器が見えないジェネレータに一般化できないことが多いため、依然として難しい。 本稿では, 生成過程の挑戦領域を積極的に探究することで, 検出器の一般化を改善するフレームワーク PROBE を提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:15:06Z)
• Beyond Artifacts: Real-Centric Envelope Modeling for Reliable AI-Generated Image Detection [29.26836532055224]
  既存の検出器は、しばしば発電機固有のアーティファクトに過度に適合し、現実世界の劣化に敏感である。 実画像のロバストな分布をモデル化する手法として,Real-centric Envelope Modeling (REM)を提案する。 REMは最先端の手法よりも平均7.5%向上し、特に高度に劣化したRealChainベンチマークにおける例外的な一般化を維持している。
  論文  参考訳（メタデータ） (2025-12-24T04:41:04Z)
• Breaking Latent Prior Bias in Detectors for Generalizable AIGC Image Detection [11.907536189598577]
  現在のAIGC検出器は、トレーニングに使用される同じジェネレータで生成された画像に対してほぼ完璧な精度を達成するが、目に見えないジェネレータからの出力に一般化するのに苦労する。 検出器は、堅牢な生成アーティファクトを学ぶのではなく、初期ノイズベクトルから発生するパターンに関連するショートカットを学習する。 そこで我々は, 発電機の出力多様体に残る逆数例を生成するオン・マニフォールド・逆数訓練(OMAT)を提案する。
  論文  参考訳（メタデータ） (2025-06-01T07:20:45Z)
• Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
  実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。 それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。 以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
  論文  参考訳（メタデータ） (2024-11-12T01:17:27Z)
• Adversarial Robustness of AI-Generated Image Detectors in the Real World [13.52355280061187]
  現状の最先端分類器は,実環境下での敵例に対して脆弱であることを示す。 ほとんどの攻撃は、例えばソーシャルメディアプラットフォームへのアップロード中に画像が劣化しても有効である。 ケーススタディでは、HIVEに対してブラックボックス攻撃を行うことにより、これらの堅牢性の課題が商用ツールにも見られることを示した。
  論文  参考訳（メタデータ） (2024-10-02T14:11:29Z)
• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• Data-Independent Operator: A Training-Free Artifact Representation Extractor for Generalizable Deepfake Detection [105.9932053078449]
  本研究では,より一般的な人工物表現を捉えるのに,小型かつトレーニング不要なフィルタが十分であることを示す。 トレーニングソースとテストソースの両方に不偏があるため、未確認ソースに対して魅力的な改善を実現するために、Data-Independent Operator (DIO)と定義する。 我々の検出器は13.3%の大幅な改善を実現し、新しい最先端の性能を確立した。
  論文  参考訳（メタデータ） (2024-03-11T15:22:28Z)
• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)
• Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data [64.65952078807086]
  光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。 しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。 我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
  論文  参考訳（メタデータ） (2020-07-16T16:49:55Z)

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。