論文の概要: UC-VLM: Consistency-Driven Learning for AI-Generated Image Detection with Vision-Language Large Models
- arxiv url: http://arxiv.org/abs/2608.15238v1
- Date: Sat, 15 Aug 2026 13:53:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.236974
- Title: UC-VLM: Consistency-Driven Learning for AI-Generated Image Detection with Vision-Language Large Models
- Title（参考訳）: UC-VLM:視覚言語大モデルを用いたAI生成画像検出のための一貫性駆動学習
- Abstract要約: UC-VLMは、バイナリ監視のみに依存するAIGI検出のための統合された多段階フレームワークである。
視覚適応とラベル条件付きテキスト生成のために、同一の認証ラベルを一貫して再利用する。
実験の結果、UC-VLMはGenImage上で96.1%の平均精度を達成し、最強の4.6%を超える結果となった。
- 参考スコア（独自算出の注目度）: 34.80872382508184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-Language Large Models (VLLMs) are promising for AI-generated image (AIGI) detection because they can produce both a prediction and a natural-language output. However, most existing VLLM-based detectors primarily fine-tune the language side while giving limited attention to low-level visual forensic cues. They also often depend on manually crafted prompts or human-annotated rationales, which limits scalability.We present UC-VLM, a unified multi-stage framework for AIGI detection that relies solely on binary supervision. UC-VLM first identifies effective instruction variants automatically. It then reuses the same binary label within a multi-stage training framework: (i) a visual discrimination objective that strengthens sensitivity to non-semantic forensic cues, and (ii) a label-conditioned generation objective that uses the binary label to supervise textual outputs. This design turns weak binary supervision into a shared supervision signal for both the visual pathway and the language output. Our key novelty is a unified multi-stage binary-supervised framework that consistently reuses the same authenticity labels for visual adaptation and label-conditioned text generation, while leveraging automatically optimized instructions to reduce prompt sensitivity without requiring human-written rationales or hand-crafted prompts.Experiments show that UC-VLM achieves 96.1% average accuracy on GenImage, exceeding the strongest prior result by 4.6%, and obtains 69.6% / 77.9% accuracy on Chameleon under ProGAN / SDV1.4 training, surpassing the best baseline by 11.2% / 15.3%, respectively.
- Abstract（参考訳）: Vision-Language Large Models (VLLMs) はAI生成画像(AIGI)の検出を約束している。
しかしながら、既存のほとんどのVLLMベースの検出器は、主に言語側を微調整し、低レベルの視覚法医学的手がかりに限定的に注意を向けている。
また、手作業によるプロンプトや人手による注釈付き合理化にも依存することが多く、スケーラビリティを制限している。我々は、バイナリ監視のみに依存するAIGI検出のための統合された多段階フレームワークUC-VLMを提案する。
UC-VLMはまず、効果的な命令の変種を自動的に識別する。
その後、マルチステージのトレーニングフレームワークで同じバイナリラベルを再利用します。
一 非意味的な法医学的手がかりに対する感受性を高める視覚的識別目標、及び
(ii)バイナリラベルを用いてテキスト出力を監督するラベル条件生成目的。
この設計は、弱い二分監督を視覚経路と言語出力の両方の共有監視信号に変換する。
我々のキーノベルティは、視覚適応とラベル条件付きテキスト生成のための同一の認証ラベルを一貫して再利用する統一された多段階バイナリ管理フレームワークであり、人書きの合理性や手作りのプロンプトを必要とせず、自動的に最適化された命令を活用し、UC-VLMがGenImage上で96.1%の平均精度を4.6%越え、ProGAN/SDV1.4トレーニング下でのChameleonの精度が69.6%/77.9%、最高のベースラインが11.2%/15.3%以上であることを示す。
関連論文リスト
- Decoupling Semantics from Distortions: Multi-Scale Two-Stream Vision-Language Alignment for AI-Generated Image Quality Assessment [0.4790056963046066]
MST-CLIPIQAは、明示的な表現分離によって階層的な視覚言語アライメントを実現するマルチスケールの2ストリームフレームワークである。
アーキテクチャは2つのCLIPエンコーダを補完的なパッチの粒度で利用し、グローバルなセマンティックコヒーレンスをキャプチャする。
実験によって新しい最先端の結果が確立され、品質では1.11パーセントのSRCC、テキスト画像対応予測では2.35パーセントのSRCCが平均的に改善された。
論文 参考訳（メタデータ） (2026-06-15T14:40:30Z) - [CLS] is Not Enough: Multi-Label Recognition via Patch-Level Inference and Adaptive Aggregation [20.637119409165418]
PIAAは、アダプティブアグリゲーション(Adaptive Aggregation)によって、パッチレベルの推論として予測を定式化する。
パッチレベルのスコアを最終的なマルチラベル予測に集約するアダプティブアグリゲーションモジュールを導入する。
実験の結果,提案手法は最小限の余剰計算で強い改善を達成できることがわかった。
論文 参考訳（メタデータ） (2026-05-25T13:19:12Z) - Reasoning-Aware AIGC Detection via Alignment and Reinforcement [55.09684020007737]
REVEALは、分類の前に解釈可能な推論チェーンを生成するフレームワークである。
複数のベンチマークで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-04-21T07:29:55Z) - AEyeDE: An Attention-Based Attribution Framework for AI-Generated Text Detection [1.373282478189168]
我々は,人間-AIオーサシップ検出における属性駆動型アプローチであるtextscAEyeDEを提案する。
注意に基づく属性マップは,AIによるテキスト検出のための補完的かつ解釈可能な信号を提供する。
論文 参考訳（メタデータ） (2026-04-13T19:30:40Z) - Unifying Heterogeneous Multi-Modal Remote Sensing Detection Via Language-Pivoted Pretraining [59.2578488860426]
不均一なマルチモーダルリモートセンシングオブジェクト検出は、多様なセンサからオブジェクトを正確に検出することを目的としている。
既存のアプローチでは、下流の微調整中にモーダリティアライメントとタスク固有の最適化が絡み合う遅延アライメントパラダイムが採用されている。
本稿では,下流のタスク学習からモダリティアライメントを明確に分離する,統一型言語パイロット事前学習フレームワークであるBabelRSを提案する。
論文 参考訳（メタデータ） (2026-03-02T11:38:12Z) - SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection [55.54007781679915]
本稿では,多種多様な視覚的エンコーディングを効率よく融合させ,モデルの微粒化知覚を高めるSynergistic Semantic-Visual Prompting (SSVP)を提案する。
SSVPは、MVTec-AD上で93.0%のImage-AUROCと92.2%のPixel-AUROCで最先端のパフォーマンスを達成し、既存のゼロショットアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2026-01-14T04:42:19Z) - Task-Model Alignment: A Simple Path to Generalizable AI-Generated Image Detection [57.17054616831796]
視覚言語モデル(VLM)はAI生成画像(AIGI)検出にますます採用されている。
VLMのアンダーパフォーマンスはタスクモデルのミスアライメントに起因する。
本稿では,AIGI検出を2つの補完的タスクとして形式化する。
論文 参考訳（メタデータ） (2025-12-07T09:19:00Z) - Text-Visual Semantic Constrained AI-Generated Image Quality Assessment [47.575342788480505]
本稿では,AI生成画像におけるテキスト画像の一貫性と知覚歪みの両方を包括的に評価する統合フレームワークを提案する。
このアプローチでは、複数のモデルから重要な機能を統合し、2つのコアモジュールを導入することで、上記の課題に取り組む。
複数のベンチマークデータセットで実施されたテストは、SC-AGIQAが既存の最先端メソッドより優れていることを示している。
論文 参考訳（メタデータ） (2025-07-14T16:21:05Z) - Vision-Language Consistency Guided Multi-modal Prompt Learning for Blind AI Generated Image Quality Assessment [57.07360640784803]
視覚言語による多モーダル・プロンプト学習による画像品質評価(AGIQA)を提案する。
具体的には、コントラスト言語-画像事前学習(CLIP)モデルの言語と視覚の分岐に学習可能なテキストと視覚的プロンプトを導入する。
我々は、上記のマルチモーダルプロンプトの最適化を導くために、学習された視覚言語一貫性の知識を用いて、テキストから画像へのアライメント品質予測タスクを設計する。
論文 参考訳（メタデータ） (2024-06-24T13:45:31Z) - Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。
十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。
近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。
本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
論文 参考訳（メタデータ） (2024-04-23T11:45:32Z) - Prefix Conditioning Unifies Language and Label Supervision [84.11127588805138]
学習した表現の一般化性を低減することにより,データセットのバイアスが事前学習に悪影響を及ぼすことを示す。
実験では、この単純な手法により、ゼロショット画像認識精度が向上し、画像レベルの分布シフトに対するロバスト性が向上することを示した。
論文 参考訳（メタデータ） (2022-06-02T16:12:26Z)
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。