論文の概要: Anchor-Regularized Adaptation for Generalizable AI-Generated Image Detection with DINOv3

• arxiv url: http://arxiv.org/abs/2608.15196v1
• Date: Sat, 15 Aug 2026 12:26:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.220052
• Title: Anchor-Regularized Adaptation for Generalizable AI-Generated Image Detection with DINOv3
• Title（参考訳）: DINOv3を用いた一般化可能なAI生成画像検出のためのアンカー正規化適応
• Abstract要約: 凍結したDINOv3表現に対する線形プローブは、不整合データセットでトレーニングされた場合でも、非常に高いパフォーマンスを達成する。 凍結したDINOv3は、その決定が忠実な画像空間を忠実に表現する機能に依存しているため、うまく機能することがわかった。 提案手法は,9つの多種多様かつ挑戦的なベンチマークにおいて,最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 34.84063369213514
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent works in AI-generated image detection have shown that careful training data alignment can improve generalization by removing spurious correlations. However, linear probes on frozen DINOv3 representations achieve remarkably strong performance even when trained on misaligned datasets. Motivated by this result, we analyze the underlying rationale and the limits of this generalization. We find that frozen DINOv3 performs well because its decisions rely on features that faithfully represent the space of authentic images. At the same time, its final layer is less effective at capturing the subtle pixel-artifact cues that can be emphasized by aligned training data. We further observe that naively mixing aligned and misaligned data during adaptation improves sensitivity to such cues but at the cost of distorting the pre-trained representation, limiting generalization. To address this issue, we propose Anchor-Regularized Adaptation (ARA). We apply Low-Rank Adaptation to capture pixel-level artifacts while leveraging a frozen anchor classifier to avoid deviations from the original representation structure. This allows the model to exploit pixel-artifact cues without sacrificing generalization. Our method achieves state-of-the-art performance on nine diverse and challenging benchmarks, indicating that ARA enables complementary supervision from misaligned and aligned data for more effective detection.
• Abstract（参考訳）: AI生成画像検出における最近の研究により、注意深いトレーニングデータアライメントは、素早い相関を取り除き、一般化を向上させることが示されている。 しかし、凍結したDINOv3表現上の線形プローブは、不整合データセットでトレーニングされた場合でも、非常に高い性能を達成する。 この結果により、我々は、この一般化の根底にある理論的根拠と限界を分析する。 凍結したDINOv3は、その決定が忠実な画像空間を忠実に表現する機能に依存しているため、うまく機能することがわかった。 同時に、その最終層は、アライメントされたトレーニングデータによって強調される微妙な画素アーティファクトの手がかりを捉えるのに効果が低い。 さらに, 適応時において, 直交データと不整合データの混合により, 事前学習した表現を歪ませ, 一般化を制限し, その感度を向上させることが観察された。 この問題に対処するため、Anchor-Regularized Adaptation (ARA)を提案する。 低ランク適応を用いて画素レベルのアーティファクトをキャプチャし、凍結アンカー分類器を利用して元の表現構造から逸脱しないようにする。 これにより、モデルは一般化を犠牲にすることなく画素アーチファクトキューを利用することができる。 提案手法は,9つの多種多様かつ難易度の高いベンチマーク上での最先端性能を実現し,高精度な検出を行うために,ARAが不整合データと整合データとの相補的な監視を可能にすることを示す。

関連論文リスト

• GenShield: Unified Detection and Artifact Correction for AI-Generated Images [65.11434977803509]
  GenShieldは、診断から修復までのクローズドループでAIGI検出とアーティファクト修正を実行するフレームワークである。 大規模なアーティファクト-restored'ペアを備えた高品質データセットは、統一された評価パイプラインと共に構築される。
  論文  参考訳（メタデータ） (2026-05-15T16:06:20Z)
• CLUE: Leveraging Low-Rank Adaptation to Capture Latent Uncovered Evidence for Image Forgery Localization [35.73353140683283]
  画像編集ツールや生成AIのアクセシビリティ向上は、視覚的に説得力のある偽造物の普及につながっている。 本稿では、その内部生成過程を利用して、最先端(SOTA)テキスト・画像合成モデルのメカニズムを再利用する。 本稿では,Low- Rank Adaptation (LoRA) を用いてパラメータ効率よく安定拡散3 (SD3) を法定特徴抽出器として構成するフレームワークであるCLUEを提案する。
  論文  参考訳（メタデータ） (2025-08-10T16:22:30Z)
• Dual Data Alignment Makes AI-Generated Image Detector Easier Generalizable [57.48190915067007]
  検出器はしばしばバイアス付きデータセットに基づいて訓練され、実際の/合成ラベルと突発的に相関する非因果属性に過度に適合する可能性がある。 1つの一般的な解決策は、生成的再構成を通じてデータセットアライメントを実行し、実画像と合成画像のセマンティック内容とを一致させることである。 我々は,画素レベルのアライメントだけでは不十分であることを示す。再構成された画像は依然として周波数レベルの不整合に悩まされており,スプリアス相関が持続する可能性がある。
  論文  参考訳（メタデータ） (2025-05-20T13:42:38Z)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• A Bias-Free Training Paradigm for More General AI-generated Image Detection [15.421102443599773]
  良く設計された法医学的検知器は、データバイアスを反映するのではなく、生成物固有のアーティファクトを検出する必要がある。 本稿では,実画像から偽画像を生成する,バイアスのない学習パラダイムであるB-Freeを提案する。 我々は,最先端検出器の一般化とロバスト性の両方において有意な改善が認められた。
  論文  参考訳（メタデータ） (2024-12-23T15:54:32Z)
• Image-level Regression for Uncertainty-aware Retinal Image Segmentation [3.7141182051230914]
  我々は,新たな不確実性認識変換(SAUNA)を導入する。 以上の結果から,SAUNA変換の統合とセグメント化損失は,異なるセグメンテーションモデルにおいて大きな性能向上をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T04:17:10Z)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• Steerable Equivariant Representation Learning [36.138305341173414]
  本稿では,データ拡張に同値な表現を学習する手法を提案する。 この結果から, 伝達学習性能とロバスト性の向上が期待できる。
  論文  参考訳（メタデータ） (2023-02-22T12:42:45Z)
• UIA-ViT: Unsupervised Inconsistency-Aware Method based on Vision Transformer for Face Forgery Detection [52.91782218300844]
  そこで我々は、UIA-ViTと呼ばれるビジョン変換器に基づく教師なし不整合認識手法を提案する。 自己注意機構により、パッチ埋め込み間の注意マップは自然に一貫性関係を表現し、一貫性表現学習に適した視覚変換器となる。
  論文  参考訳（メタデータ） (2022-10-23T15:24:47Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)

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。