論文の概要: SPARED: Reasoning-Based AI-Generated Image Detection via Adversarially Edited Data

• arxiv url: http://arxiv.org/abs/2608.12876v1
• Date: Thu, 13 Aug 2026 06:40:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.414552
• Title: SPARED: Reasoning-Based AI-Generated Image Detection via Adversarially Edited Data
• Title（参考訳）: SPARED: 逆編集データによる推論ベースのAI生成画像検出
• Authors: Yicheng Bao, Xiahui Guo, Xuhong Wang, Xin Tan,
• Abstract要約: Methodnameは2つの異種モデルを互いにピットする逆学習フレームワークである。 拡散画像エディターは、実際の写真を現在の検出器を騙す同じ写真の偽の写真に編集することを学ぶ。 MLLMは、自由形式の推論に基づく判断でそれらを公開することを学ぶ。
• 参考スコア（独自算出の注目度）: 6.383381853013106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting AI-generated images is only half the task: a deployed detector must also justify its verdict, yet existing detectors inherit three failure modes from their training data: real and fake images collected from different sources invite provenance shortcuts, supervised explanation corpora teach templated rationales, and a static forgery corpus leaves the decision boundary standing still while generators keep moving. We introduce \methodname{}, an adversarial reinforcement learning framework that pits two heterogeneous models against each other. A diffusion image editor learns to edit real photographs into fake counterparts of those same photographs that fool the current detector, while a reasoning MLLM learns to expose them with a verdict grounded in free-form reasoning. Both rewards are shortcut-proof by design: the attacker is credited only when its edit is faithfully executed, and the defender only when its verdict is correct. As the two models alternate, each round's attacker regenerates a harder training pool aimed at the current detector's blind spots, so the detector must generalize rather than memorize any fixed artifact distribution. Although the explanation is never rewarded, its quality rises round over round as a side effect of accuracy-only training. A detector trained within this loop improves monotonically across rounds on each of three external benchmarks.
• Abstract（参考訳）: 既存の検出器は、トレーニングデータから3つの障害モードを継承する: 異なるソースから収集された実画像と偽画像は、前例のショートカットを招待し、監督された説明コーパスは、テンプレート化された合理性を教え、静的なフォージェリーコーパスは、ジェネレータが動き続ける間、決定境界をそのままにしておく。 対向強化学習フレームワークである 'methodname{} を導入する。 拡散画像エディターは、実際の写真を現在の検出器を騙す同じ写真の偽の写真に編集することを学ぶ。 どちらの報酬も設計上はショートカットセーフであり、アタッカーは、その編集が忠実に実行される場合にのみクレジットされ、ディフェンダーは、その判断が正しいときにのみクレジットされる。 2つのモデルが交互に変化するにつれて、各ラウンドの攻撃者は、現在の検出器の盲点を狙ったより厳しいトレーニングプールを再生するので、検出器は固定されたアーティファクト分布を記憶するのではなく、一般化する必要がある。 説明は決して報われないが、精度のみのトレーニングの副作用として、その品質は丸ごと上昇する。 このループ内で訓練された検出器は、3つの外部ベンチマークのそれぞれのラウンドで単調に改善する。

関連論文リスト

• ForensicsSAM: Toward Robust and Unified Image Forgery Detection and Localization Resisting to Adversarial Attack [56.0056378072843]
  高い転送性を持つ逆画像は上流モデルでのみ作成可能であることを示す。 本稿では,IFDLフレームワークを組み込んだForensicsSAMを提案する。
  論文  参考訳（メタデータ） (2025-08-10T16:03:44Z)
• Adversarially Robust AI-Generated Image Detection for Free: An Information Theoretic Perspective [22.514709685678813]
  我々は,AIGI検出において,対戦訓練(AT)がパフォーマンスの低下に悩まされていることを示す。 この差に触発されて,情報理論による無トレーニングロバスト検出(TRIM)を提案する。 TRIMは標準検出器上に構築され、予測エントロピーとKL分散を用いて特徴シフトを定量化する。
  論文  参考訳（メタデータ） (2025-05-28T17:20:49Z)
• 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)
• Vulnerabilities in AI-generated Image Detection: The Challenge of Adversarial Attacks [39.524974831780874]
  FPBAはブラックボックス攻撃を成功させることができるので、敵攻撃はAIGI検出器にとって真の脅威であることを示す。 我々はこの手法を周波数ベースのポストトレインベイズアタック (FPBA) と呼ぶ。
  論文  参考訳（メタデータ） (2024-07-30T14:07:17Z)
• Warp Consistency for Unsupervised Learning of Dense Correspondences [116.56251250853488]
  密接な対応を学習する上で重要な課題は、実画像対に対する地道整合の欠如である。 密な対応回帰のための教師なし学習目標であるWarp Consistencyを提案する。 私たちのアプローチは、MegaDepth、RobotCar、TSSなど、いくつかの挑戦的なベンチマークに新しい最先端を設定します。
  論文  参考訳（メタデータ） (2021-04-07T17:58:22Z)
• Anomaly Detection-Based Unknown Face Presentation Attack Detection [74.4918294453537]
  異常検出に基づくスプーフ攻撃検出は、顔提示攻撃検出の最近の進歩である。 本稿では,異常検出に基づくスプーフ攻撃検出のためのディープラーニングソリューションを提案する。 提案手法はCNNの表現学習能力の恩恵を受け,fPADタスクの優れた特徴を学習する。
  論文  参考訳（メタデータ） (2020-07-11T21:20:55Z)

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。