論文の概要: Learning Continuous Source Responses For Generalizable AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2609.14316v1
• Date: Sun, 13 Sep 2026 06:24:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.791677
• Title: Learning Continuous Source Responses For Generalizable AI-Generated Image Detection
• Title（参考訳）: 汎用AI生成画像検出のための連続音源応答の学習
• Abstract要約: 継続的ソース応答を学習するためのフレームワークであるCuReを紹介します。 CuReはトレーニングタスクの観点から認証検出を再考する。 平均平衡精度は89.7%で、第2の利率を5.2ポイント上回る。
• 参考スコア（独自算出の注目度）: 42.338483531657666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advances in image generation have made synthetic images increasingly difficult to distinguish from real photographs, raising concerns about the trustworthiness of visual media. Existing AI-generated image detectors often perform well on in-domain data, but their robustness and cross-generator generalization remain limited. These limitations are commonly attributed to overfitting to shortcut cues. Although many methods seek to suppress shortcut learning, most retain binary classification as the training task without reconsidering how the task itself shapes the learned representations. We introduce CuRe, a framework for learning Continuous Source Responses that revisits authenticity detection from the perspective of the training task. CuRe reformulates backbone adaptation as regression of real-generated mixing ratios, providing finer supervision that encourages the model to capture authenticity-related variation beyond binary endpoint separation. We further select a compact source-response subspace to suppress nuisance variation and limit the final classifier's access to potential shortcut cues. Across ten public benchmarks, CuRe achieves an average balanced accuracy of 89.7%, exceeding the second-best method by 5.2 percentage points. Further experiments demonstrate consistent generalization gains across visual backbones and strong robustness to common image degradations. Code is available at https://github.com/manic-cui/CuRe
• Abstract（参考訳）: 画像生成の進歩により、合成画像が実際の写真と区別することがますます難しくなり、視覚メディアの信頼性への懸念が高まっている。 既存のAI生成画像検出器はドメイン内のデータでよく機能するが、その堅牢性とクロスジェネレータの一般化は依然として限られている。 これらの制限は、通常、ショートカットキューに過度に適合しているためである。 多くの手法がショートカット学習を抑えようとするが、多くの場合、タスク自体が学習表現をどう形作るかを再考することなく、トレーニングタスクとしてのバイナリ分類を維持している。 トレーニングタスクの観点から、信頼性検出を再考する、継続的ソース応答の学習フレームワークであるCuReを紹介します。 CuReは、実発生ミキシング比の回帰としてバックボーン適応を再構成し、モデルがバイナリエンドポイント分離を超えて真正性に関連する変動をキャプチャすることを奨励する、より詳細な監督を提供する。 さらに、ニュアンス変動を抑制し、最終分類器の潜在的ショートカットキューへのアクセスを制限するため、コンパクトなソース応答部分空間を選択する。 10の公開ベンチマークで、CuReは平均平衡精度89.7%を達成し、第2のベストメソッドを5.2ポイント上回っている。 さらなる実験では、視覚的バックボーンにまたがる一貫した一般化と、一般的な画像劣化に対する強い堅牢性を示す。 コードはhttps://github.com/manic-cui/CuReで入手できる。

関連論文リスト

• Q-DeepSight: Incentivizing Thinking with Images for Image Quality Assessment and Refinement [58.15004031934379]
  我々は、この人間のようなプロセスをエミュレートする思考とイメージのフレームワークであるQ-DeepSightを提案する。 Q-DeepSightは、自然、復元、AI生成コンテンツなど、さまざまなベンチマークで最先端のパフォーマンスを実現している。 本稿では,Q-DeepSight の診断が反復画像強調を導くトレーニングフリーフレームワークであるPerceptual-in-Generation (PiG) を用いて,その実用的価値を示す。
  論文  参考訳（メタデータ） (2026-04-18T06:10:57Z)
• Diversity over Uniformity: Rethinking Representation in Generated Image Detection [22.020742109848317]
  我々は、確実に生成された画像検出は、単一の決定経路に依存するのではなく、複数の判断視点を維持するべきであると論じている。 本稿では,タスク非関係なコンポーネントをフィルタし,表現空間における様々なフォージェリーキュー間の過剰なオーバーラップを抑えるアンチファイン・コラプス学習フレームワークを提案する。 この設計は、モデル内で多様な補完的な証拠を維持し、小さな敬意的な手がかりへの依存を減らし、目に見えない生成条件下で堅牢性を高める。
  論文  参考訳（メタデータ） (2026-02-28T15:42:12Z)
• WISER: Wider Search, Deeper Thinking, and Adaptive Fusion for Training-Free Zero-Shot Composed Image Retrieval [36.577766022251446]
  ZS-CIRは、マルチモーダルクエリがアノテートされたトリプレットをトレーニングすることなく、ターゲット画像を取得することを目的としている。 我々は,T2IとI2Iを"検索-検証-精細化"パイプラインを介して統合する,トレーニング不要のフレームワークであるWISERを提案する。
  論文  参考訳（メタデータ） (2026-02-26T14:11:10Z)
• Towards Better Alignment: Training Diffusion Models with Reinforcement Learning Against Sparse Rewards [52.90573877727541]
  拡散モデル微調整では強化学習(RL)が検討されている。 RLの有効性はスパース報酬の挑戦によって制限される。 $textB2text-DiffuRL$は既存の最適化アルゴリズムと互換性がある。
  論文  参考訳（メタデータ） (2025-03-14T09:45:19Z)
• Robustly Optimized Deep Feature Decoupling Network for Fatty Liver Diseases Detection [18.24448979368885]
  現在の医用画像分類の取り組みは主に、より高い平均性能を目指しています。 大量のデータをサポートせずに、深層学習は脂肪肝のきめ細かい分類の課題に直面している。 本稿では,機能分離と適応的対人訓練を組み合わせた革新的なディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-25T07:50:09Z)
• Forgery-aware Adaptive Transformer for Generalizable Synthetic Image Detection [106.39544368711427]
  本研究では,様々な生成手法から偽画像を検出することを目的とした,一般化可能な合成画像検出の課題について検討する。 本稿では,FatFormerという新しいフォージェリー適応トランスフォーマー手法を提案する。 提案手法は, 平均98%の精度でGANを観測し, 95%の精度で拡散モデルを解析した。
  論文  参考訳（メタデータ） (2023-12-27T17:36:32Z)
• Towards Generic Image Manipulation Detection with Weakly-Supervised Self-Consistency Learning [49.43362803584032]
  本稿では,弱い教師付き画像操作検出を提案する。 このような設定は、より多くのトレーニングイメージを活用することができ、新しい操作テクニックに迅速に適応する可能性がある。 マルチソース整合性(MSC)とパッチ整合性(IPC)の2つの一貫性特性が学習される。
  論文  参考訳（メタデータ） (2023-09-03T19:19:56Z)
• Towards Robust GAN-generated Image Detection: a Multi-view Completion Representation [27.483031588071942]
  GAN生成画像検出は、ディープフェイクのようなマシン合成画像操作の悪意ある使用に対する最初の防御線となっている。 本稿では,新しい多視点画像補完表現に基づくロバスト検出フレームワークを提案する。 我々は,6つのGANに対して異なる解像度でフレームワークの一般化能力を評価し,その幅広い摂動攻撃に対する堅牢性を評価する。
  論文  参考訳（メタデータ） (2023-06-02T08:38:02Z)
• An Empirical Study of the Collapsing Problem in Semi-Supervised 2D Human Pose Estimation [80.02124918255059]
  半教師付き学習は、ラベルなし画像の探索によってモデルの精度を高めることを目的としている。 私たちは相互に教え合うために2つのネットワークを学びます。 各ネットワーク内の容易なイメージに関するより信頼性の高い予測は、他のネットワークに対応するハードイメージについて学ぶように教えるために使用される。
  論文  参考訳（メタデータ） (2020-11-25T03:29:52Z)
• Delving into Inter-Image Invariance for Unsupervised Visual Representations [108.33534231219464]
  画像間不変学習の役割をよりよく理解するための研究を提案する。 オンラインラベルはオフラインラベルよりも早く収束する。 半硬な負のサンプルは、硬い負のサンプルよりも信頼性が高く、偏りがない。
  論文  参考訳（メタデータ） (2020-08-26T17:44:23Z)

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。