論文の概要: LoRC: Detecting AI-Generated Images via Low-Rank Collapse in Semantic Residuals

• arxiv url: http://arxiv.org/abs/2608.20882v1
• Date: Fri, 21 Aug 2026 08:58:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.480504
• Title: LoRC: Detecting AI-Generated Images via Low-Rank Collapse in Semantic Residuals
• Title（参考訳）: LoRC: セマンティック残留物における低ランク崩壊によるAI生成画像の検出
• Abstract要約: 現代の発電機は, セマンティック・残留部分空間において, 支配的なセマンティックな方向を保ちながら, 低ランクの崩壊を示すことを示す。 崩壊した残余幾何を捉えるために意味的優位性を分離するフレームワークである textbfLoRC を提案する。 本手法は,複数のベンチマークで平均7.0%の精度向上を実現し,39個の未知のジェネレータ上で97.0%の精度を実現する。
• 参考スコア（独自算出の注目度）: 50.157719466558696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern generators faithfully model macroscopic semantics, producing synthetic images that appear highly realistic. Consequently, decisive forensic cues reside in subtle non-semantic visual discrepancies. To reveal these cues, we revisit AIGI detection from a geometric perspective and identify an architecture-agnostic signature. Specifically, modern generators exhibit low-rank collapse (\textit{i.e.}, rank degeneracy) in the semantic-residual orthogonal subspace while largely preserving the dominant semantic direction. This structural flattening consistently emerges during the final decoding stage, forming a shared bottleneck across diverse generator architectures. Motivated by this signature, we propose \textbf{LoRC}, a framework that decouples semantic dominance to capture the collapsed residual geometry induced by the generative decoding bottleneck. Our method improves accuracy by an average of 7.0\% across multiple benchmarks and achieves 97.0\% accuracy on 39 unseen generators. These results demonstrate strong cross-model generalization and robustness, making LoRC a reliable approach for AIGI detection in complex real-world environments.
• Abstract（参考訳）: 現代のジェネレータは、マクロ的な意味論を忠実にモデル化し、非常にリアルに見える合成画像を生成する。 その結果、決定的な法医学的手がかりは微妙な非意味的な視覚的相違にある。 これらの手がかりを明らかにするため、幾何学的視点からAIGI検出を再考し、アーキテクチャに依存しないシグネチャを特定する。 具体的には、現代のジェネレータは、主に支配的な意味的方向を保ちながら、意味-残留直交部分空間において低ランクの崩壊(階数縮退)を示す。 この構造的フラット化は最終復号段階で一貫して現れ、多様なジェネレータアーキテクチャで共有されるボトルネックを形成している。 この署名に触発され、生成的復号ボトルネックによって引き起こされる崩壊した残余幾何を捉えるために意味的支配を分離するフレームワークである「textbf{LoRC}」を提案する。 提案手法は,複数のベンチマークで平均7.0\%の精度を向上し,39個の未知のジェネレータ上で97.0\%の精度を達成する。 これらの結果は強力なクロスモデル一般化とロバスト性を示し、複雑な実環境におけるAIGI検出のための信頼性の高いアプローチとなっている。

関連論文リスト

• Where Does Generative Difficulty Reside? An Empirical Study of Target Representations [62.54876287800644]
  ターゲット表現は、イメージジェネレータが学ぶ必要がある分布を定義するが、しばしば交換可能なインターフェースとして扱われる。 マスク付き自己回帰整流モデルにおいて,生画素,SD-VAE潜伏剤,DINOv2,MAE表現-オートエンコーダの特徴について検討した。 その結果, 圧縮, 再構成忠実度, トークン次元, 可視的セマンティッククラスタリングは生成挙動を個別に予測できないことがわかった。
  論文  参考訳（メタデータ） (2026-08-01T12:32:31Z)
• FAIR: Feature-Augmented Implicit Regularization for AI-generated Fake Image Detection [5.673956549751241]
  AI生成画像検出において、一般化は依然として重要なボトルネックである。 FAIR(Feature-Augmented Implicit Regularization)を提案する。 我々は、FAIRが精度を最大8.04%向上させ、ゼロショット転送シナリオにおける新しい最先端のロバスト性を確立することを示す。
  論文  参考訳（メタデータ） (2026-07-24T08:34:56Z)
• 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)
• RA-Det: Towards Universal Detection of AI-Generated Images via Robustness Asymmetry [29.095026459349544]
  最近の画像生成装置は、下流認識システムの信頼性を損なうフォトリアリスティックなコンテンツを生成する。 視覚的な外観の手がかりがより顕著になるにつれて、法医学的な手がかりやハイレベルな表現に依存する外観駆動型検出器は安定性を損なう。 これは外観から行動へのシフトを動機付け、画像がどのように見えるかではなく、制御された摂動にどう反応するかに焦点を当てる。 本稿ではロバストネス非対称性検出(RA-Det)という,ロバストネス非対称性を信頼性の高い決定信号に変換する行動駆動検出フレームワークを紹介する。
  論文  参考訳（メタデータ） (2026-03-02T07:15:37Z)
• 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)
• Scaling Up AI-Generated Image Detection via Generator-Aware Prototypes [15.99138549265524]
  GAPL(Generator-Aware Prototype Learning)は、構造化学習パラダイムで表現を制約するフレームワークである。 GAPLは最先端の性能を達成し、多様なGANおよび拡散型ジェネレータにおいて優れた検出精度を示す。
  論文  参考訳（メタデータ） (2025-12-15T04:58:08Z)
• CINEMAE: Leveraging Frozen Masked Autoencoders for Cross-Generator AI Image Detection [25.84217122259626]
  CINEMAEはテキスト検出法の中核となる原則を視覚領域に適用する。 我々は、安定拡散v1.4のみをトレーニングし、GenImageベンチマークの8つの未知のジェネレータに対して95%以上の精度を達成した。 このことは、文脈条件の再構成の不確実性が、AIGC検出のための堅牢で転送可能な信号を提供することを示している。
  論文  参考訳（メタデータ） (2025-11-09T11:05:45Z)
• Semantic Visual Anomaly Detection and Reasoning in AI-Generated Images [96.43608872116347]
  AnomReasonは4倍のtextbfAnomAgentのような構造化アノテーションを備えた大規模ベンチマーク AnomReasonとAnomAgentは、AI生成画像の意味的妥当性の測定と改善の基盤となっている。
  論文  参考訳（メタデータ） (2025-10-11T14:09:24Z)
• $\bf{D^3}$QE: Learning Discrete Distribution Discrepancy-aware Quantization Error for Autoregressive-Generated Image Detection [85.9202830503973]
  視覚的自己回帰(AR)モデルは、離散トークン予測を通じて画像を生成する。 本稿では,離散分布離散性を考慮した量子化誤差(D$3$QE)を自己回帰画像検出に活用することを提案する。
  論文  参考訳（メタデータ） (2025-10-07T13:02:27Z)
• Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
  我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。 この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
  論文  参考訳（メタデータ） (2023-12-16T14:27:06Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。