論文の概要: Do CNNs Internally Represent Real and Fake Images Differently? A Hidden-Layer Analysis

• arxiv url: http://arxiv.org/abs/2608.14729v1
• Date: Wed, 12 Aug 2026 22:48:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.053824
• Title: Do CNNs Internally Represent Real and Fake Images Differently? A Hidden-Layer Analysis
• Title（参考訳）: CNNは実像と偽像を別々に表現しているか?
• Abstract要約: この研究は、CNNが実像と偽像を異なる方法で表現しているという仮説を検証した。 フェイク画像は、セマンティックな内容が保存されている場合でも、異なる隠れ層活性化パターンを誘導する。 実画像と偽画像は、少なくともいくつかの設定では、CNNの隠れ層アクティベーション動作が異なることを示している。
• 参考スコア（独自算出の注目度）: 0.14337588659482517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fake/synthetic images are increasingly prevalent, but it remains unclear whether Convolutional Neural Networks (CNNs) process real and fake images in the same internal manner. This work examines the hypothesis that CNNs represent real and fake images differently, such that fake images induce different hidden-layer activation patterns even when semantic content is preserved. The hypothesis is evaluated in scene recognition settings using trained CNN models. Dense-layer activations are extracted, and neurosymbolic methods assign semantic labels to selected neurons. For each real test image, corresponding fake images are generated with similar semantic content using object-label-guided text-to-image and image-to-image generation based on Stable Diffusion variants. Paired real-fake activation patterns are then compared statistically. Additional experiments with another dataset, CNN architecture, generative model, and JPEG/blur degradation analysis assess robustness. Results suggest that fake images evoke different hidden-neuron activations, and these differences are not explained only by simple image degradation. Overall, the findings indicate that real and fake images differ in CNN hidden-layer activation behavior at least in some settings, which opens the door for follow-up work on making use of this different behavior to improve fake image detection.
• Abstract（参考訳）: フェイク/合成画像はますます普及しているが、畳み込みニューラルネットワーク(CNN)が実際の画像と偽画像を同じ内部で処理するかどうかは不明だ。 本研究は,CNNが実画像と偽画像とを別々に表現し,意味的内容が保存されている場合でも,偽画像が異なる隠蔽層活性化パターンを誘導する,という仮説を考察する。 この仮説は、訓練されたCNNモデルを用いてシーン認識設定で評価される。 センス層活性化を抽出し、ニューロシンボリック法は選択された神経細胞にセマンティックラベルを割り当てる。 各実検画像に対して、安定拡散変種に基づくオブジェクトラベル付きテキスト・ツー・イメージと画像・ツー・イメージ生成を用いて、類似のセマンティック・コンテンツで対応する偽画像を生成する。 ペアリングされたリアルタイムアクティベーションパターンは、統計的に比較される。 別のデータセット、CNNアーキテクチャ、生成モデル、JPEG/blur分解分析の追加実験は、堅牢性を評価する。 その結果,偽画像は隠されたニューロンの活性化を引き起こすことが示唆され,これらの違いは単純な画像劣化によってのみ説明できない。 以上の結果から,少なくともいくつかの設定では,CNNの隠蔽層活性化行動において,実画像と偽画像が異なることが示唆された。

関連論文リスト

• Deepfake Detection of Face Images based on a Convolutional Neural Network [0.0]
  フェイクニュース、特にディープフェイク(非リアルな画像やビデオコンテンツ)は、ここ数年で深刻な話題になっている。 我々は、人間の肖像画を映し出した、このような生成および偽画像を検出するために、畳み込みニューラルネットワークに基づくモデルを構築したい。
  論文  参考訳（メタデータ） (2025-03-14T13:33:22Z)
• Distractors-Immune Representation Learning with Cross-modal Contrastive Regularization for Change Captioning [71.14084801851381]
  変更キャプションは、類似した画像間のセマンティックな変化を簡潔に記述することを目的としている。 既存のほとんどの手法は、それらの違いを直接キャプチャし、エラーを起こしやすい特徴を得るリスクを負う。 本稿では,2つの画像表現の対応するチャネルを関連づけるイントラクタ免疫表現学習ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-16T13:00:33Z)
• Development of a Dual-Input Neural Model for Detecting AI-Generated Imagery [0.0]
  AI生成画像を検出するツールを開発することが重要である。 本稿では、画像とフーリエ周波数分解の両方を入力として扱うデュアルブランチニューラルネットワークアーキテクチャを提案する。 提案モデルでは,CIFAKEデータセットの精度が94%向上し,従来のML手法やCNNよりも優れていた。
  論文  参考訳（メタデータ） (2024-06-19T16:42:04Z)
• Unveiling the Truth: Exploring Human Gaze Patterns in Fake Images [34.02058539403381]
  我々は、人間の意味的知識を活用して、偽画像検出のフレームワークに含まれる可能性を調べる。 予備的な統計的分析により、人間が本物の画像や変化した画像をどのように知覚するかの特徴的なパターンを探索する。
  論文  参考訳（メタデータ） (2024-03-13T19:56:30Z)
• Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
  近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。 我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
  論文  参考訳（メタデータ） (2023-04-02T10:25:09Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• What Does CNN Shift Invariance Look Like? A Visualization Study [87.79405274610681]
  畳み込みニューラルネットワーク(CNN)による特徴抽出は、機械学習タスクの画像を表現する一般的な方法である。 我々は,一般的な市販CNNモデルから抽出した特徴量の変動を計測し,可視化することに注力する。 人気ネットワークから抽出された特徴はグローバルに不変ではなく,この分散の中にバイアスやアーティファクトが存在すると結論付けている。
  論文  参考訳（メタデータ） (2020-11-09T01:16:30Z)
• What makes fake images detectable? Understanding properties that generalize [55.4211069143719]
  深層ネットワークは、博士画像の微妙なアーティファクトを拾い上げることができる。 我々は、偽画像のどの特性が検出可能かを理解することを模索する。 検出可能な特性を誇張する手法を示す。
  論文  参考訳（メタデータ） (2020-08-24T17:50:28Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)

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。