Fugu-MT 論文翻訳(概要): Retrosynthesis of Synthetic Media for Explainable AI Provenance Forensics

論文の概要: Retrosynthesis of Synthetic Media for Explainable AI Provenance Forensics

arxiv url: http://arxiv.org/abs/2609.02268v1
Date: Wed, 02 Sep 2026 08:15:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-03 17:53:18.147086
Title: Retrosynthesis of Synthetic Media for Explainable AI Provenance Forensics
Title（参考訳）: 説明可能なAI前駆者鑑定のための合成媒体の再合成
Abstract要約: 本稿では,固定生成器環境下でのAI証明の自己参照的再合成フレームワークを提案する。我々は、ラウンドトリップ整合性検証を可能にする自己埋め込み機構を実装するために、共同最適化エンコーダデコーダペアを使用する。当社のアプローチでは,生成プロセスに透かしの埋め込みや修正を加える必要がなくなる。
参考スコア（独自算出の注目度）: 28.375184021885
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the rapid proliferation of generative models on Machine Learning as a Service (MLaaS) platforms, reliably tracing the provenance of synthetic media without modifying generator architectures or parameters remains a major challenge. In this work, we propose a self-referential retrosynthesis framework for explainable AI provenance forensics under a fixed-generator setting. The framework leverages a jointly optimized encoder-decoder pair to implement a self-embedding mechanism that enables round-trip consistency verification. During inference, client inputs are first encoded and then processed by the generator to produce outputs with high visual fidelity. For forensic verification, the consistency between the resynthesized image and the query image is analyzed to determine whether the image originates from the target generative model. Our approach eliminates the need for watermark embedding or modifications to the generation process. Experimental results show that images generated from encoded inputs maintain visual quality comparable to original generator outputs, while decoded images reliably trace back to their corresponding source inputs. Furthermore, the framework provides interpretable evidence for generative content provenance, establishing a practical tool for explainable generative AI forensics.
Abstract（参考訳）: 機械学習・アズ・ア・サービス(MLaaS)プラットフォーム上の生成モデルの急速な普及に伴い、ジェネレータアーキテクチャやパラメータを変更することなく、合成メディアの出現を確実に追跡することは大きな課題である。そこで本研究では,固定生成条件下でのAI証明法則の自己参照的再合成フレームワークを提案する。このフレームワークは、共同最適化されたエンコーダとデコーダのペアを利用して、ラウンドトリップ整合性検証を可能にする自己埋め込み機構を実装している。推論中、クライアント入力はまずエンコードされ、次にジェネレータによって処理され、高い視覚的忠実度で出力を生成する。法医学的検証のために、合成画像とクエリ画像との整合性を分析して、画像が対象生成モデルに由来するかどうかを判定する。当社のアプローチでは,生成プロセスに透かしの埋め込みや修正を加える必要がなくなる。実験結果から、符号化された入力から生成された画像は、元のジェネレータ出力に匹敵する視覚的品質を維持し、復号された画像は対応する入力に確実に遡ることが示された。さらに、このフレームワークは、生成的コンテンツ証明の解釈可能な証拠を提供し、生成可能なAI鑑定のための実用的なツールを確立する。

関連論文リスト

Can Vision-Language Models Reason about AI Edits in Images? [78.04125956307838]
VLM(Vision-Language Models)は、強力な視覚的理解と推論能力のために、有望な代替手段を提供する。簡単な精度と形式報酬を利用するGRPOベースのトレーニングフレームワークを提案する。提案手法は,最先端画像フォージェリ検出器と比較して,競合検出と局所化性能を実現する。
論文参考訳（メタデータ） (2026-07-30T16:23:40Z)
EchoGen: Generating Visual Echoes in Any Scene via Feed-Forward Subject-Driven Auto-Regressive Model [56.53617289548353]
EchoGenは、主観駆動生成機能を備えたVisual Auto-Regressive(VAR)モデルを強化する先駆的なフレームワークである。対象の抽象的アイデンティティを抽出するためにセマンティックエンコーダを用いており、このエンコーダは分離されたクロスアテンションを通して注入され、全体の構成を導出する。私たちの知る限りでは、EchoGenはVARモデル上に構築された最初のフィードフォワードの主観駆動フレームワークです。
論文参考訳（メタデータ） (2025-09-30T11:45:48Z)
OmniDFA: A Unified Framework for Open Set Synthesis Image Detection and Few-Shot Attribution [21.62979058692505]
OmniDFAはAIGIのための新しいフレームワークで、画像の信頼性を評価し、その起源を数ショットで決定する。 OmniFakeは大規模なクラス対応合成画像データセットで、45ドルの異なる生成モデルから117ドルの画像をキュレートする。実験により、OmniDFAはオープンセット属性に優れた能力を示し、AIGI検出における最先端の一般化性能を達成することが示された。
論文参考訳（メタデータ） (2025-09-30T02:36:40Z)
Semantic-Aware Reconstruction Error for Detecting AI-Generated Images [22.83053631078616]
本稿では,画像とキャプション誘導再構成のセマンティック・アウェア・リコンストラクション・エラー(SARE)を計測する新しい表現を提案する。 SAREは、さまざまな生成モデル間で偽画像を検出するための堅牢で差別的な機能を提供する。また,SAREを背骨検出器に統合する融合モジュールを,クロスアテンション機構を介して導入する。
論文参考訳（メタデータ） (2025-08-13T04:37:36Z)
A Watermark for Auto-Regressive Image Generation Models [50.599325258178254]
画像生成モデル用に明示的に設計された歪みのない透かし法であるC-reweightを提案する。 C-reweightは画像の忠実性を維持しながら再起動ミスマッチを緩和する。
論文参考訳（メタデータ） (2025-06-13T00:15:54Z)
Forensic Self-Descriptions Are All You Need for Zero-Shot Detection, Open-Set Source Attribution, and Clustering of AI-generated Images [8.167678851224121]
従来の手法では、トレーニング中に既知のソースに特有の機能に依存するため、見えないジェネレータに一般化できない。本稿では,法医学的微細構造を明示的にモデル化する新しい手法を提案する。この自己記述により、合成画像のゼロショット検出、画像のオープンセットソース属性、および事前知識のないソースに基づくクラスタリングを行うことができる。
論文参考訳（メタデータ） (2025-03-26T21:34:37Z)
Time Step Generating: A Universal Synthesized Deepfake Image Detector [0.4488895231267077]
汎用合成画像検出器 Time Step Generating (TSG) を提案する。 TSGは、事前訓練されたモデルの再構築能力、特定のデータセット、サンプリングアルゴリズムに依存していない。我々は,提案したTSGを大規模GenImageベンチマークで検証し,精度と一般化性の両方において大幅な改善を実現した。
論文参考訳（メタデータ） (2024-11-17T09:39:50Z)
Epsilon-VAE: Denoising as Visual Decoding [61.29255979767292]
復号化は1段階の再構成から反復的改良へと移行する。具体的には、デコーダを拡散処理に置き換え、ノイズを反復的に改善して元の画像を復元する。拡散による反復的再構成により, 自己エンコーダであるEpsilon-VAEは高い再構成品質を実現する。
論文参考訳（メタデータ） (2024-10-05T08:27:53Z)
BOSC: A Backdoor-based Framework for Open Set Synthetic Image Attribution [20.85450451277421]
合成画像属性は、生成モデルによって生成された画像の起源をトレースする問題に対処する。本稿では,バックドアアタックの概念に依存する,BOSCと呼ばれる合成画像のオープンセット属性の枠組みを提案する。
論文参考訳（メタデータ） (2024-05-19T09:17:43Z)
LCM-Lookahead for Encoder-based Text-to-Image Personalization [82.56471486184252]
我々は,テキスト・ツー・イメージ・モデルのパーソナライズを導くために,ショートカット・メカニズムを利用する可能性を探る。エンコーダをベースとしたパーソナライズ手法に焦点をあてて、ルックアヘッドのアイデンティティ損失を調整することで、より高いアイデンティティの忠実性を達成できることを実証する。
論文参考訳（メタデータ） (2024-04-04T17:43:06Z)
Semantic Image Synthesis via Diffusion Models [174.24523061460704]
Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。セマンティック画像合成に関する最近の研究は、主に事実上のGANベースのアプローチに従っている。意味画像合成のためのDDPMに基づく新しいフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-30T18:31:51Z)
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)

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。