論文の概要: ChatGPT Images 2.5 in the Wild: A Launch-Period Dataset and Detector Evaluation
- arxiv url: http://arxiv.org/abs/2609.15100v2
- Date: Tue, 22 Sep 2026 03:24:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 01:05:39.621791
- Title: ChatGPT Images 2.5 in the Wild: A Launch-Period Dataset and Detector Evaluation
- Title（参考訳）: ChatGPT画像2.5 in the Wild: A Launch-Period Dataset and Detector Evaluation
- Abstract要約: あるツールは、その公称を維持しながら、その基盤となるジェネレータを変更することができ、オンライン投稿からバージョン属性を曖昧にする。
この問題をChatGPT Images 2.5のローンチ後に研究する。
凍結したコレクションには、8つのソースにわたる2,440のポストから3,478のイメージが含まれています。
- 参考スコア（独自算出の注目度）: 12.307366979757065
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: An image tool can change its underlying generator while retaining its public name, making version attribution from online posts ambiguous. We study this problem after the ChatGPT Images 2.5 launch. Our frozen collection contains 3,478 images from 2,440 posts across 8 sources. Recorded posting times fall within the first 51.1 hours after the announcement. It records three attribution tiers and retains standalone images after image-form filtering and targeted review. Caption claims and host records provide admission evidence, not independently verified generator identity. The observed content profile depends on the source mixture: NightCafe supplies 39.0% of images but 77.0% of CLIP-assigned fantasy scenes. We then evaluate six frozen detectors at thresholds calibrated to a 5% flag rate on reference photographs. Collection flag rates range from 3.7 to 56.4%, falling 42-81 percentage points below GenImage recall. Held-out artwork false-positive rates range from 1.5 to 96.5%, so a higher collection flag rate does not by itself establish better detection. An exploratory X-only comparison with our April collection finds a higher September flag rate for Effort, and a suggestive difference for DoU, under fixed-threshold post-clustered bootstrap intervals. Attribution, content and processing differences prevent a causal interpretation of these contrasts. The collection supports analysis of reported model use during a product transition, with source and attribution evidence retained for interpretation. The collection is released at https://scam.ai/research.
- Abstract（参考訳）: 画像ツールは、その公称を維持しながら、その基盤となるジェネレータを変更することができ、オンライン投稿からバージョン属性を曖昧にする。
この問題をChatGPT Images 2.5のローンチ後に研究する。
凍結したコレクションには、8つのソースにわたる2,440のポストから3,478のイメージが含まれています。
記録された投稿時間は発表後51.1時間以内に減少する。
3つのアトリビューションティアを記録し、イメージ形式のフィルタリングとターゲットレビュー後にスタンドアロンイメージを保持する。
キャプションクレームとホストレコードは、独立に検証されたジェネレータのアイデンティティではなく、許可証を提供する。
NightCafeは39.0%のイメージを提供するが、77.0%のCLIP指定のファンタジーシーンを提供する。
次に、6つの凍結検知器を基準写真で5%のフラッグレートに調整した閾値で評価した。
コレクションのフラグレートは3.7から56.4%で、GenImageのリコールよりも42-81ポイント低い。
アートワークの偽陽性率は1.5から96.5%の範囲であるため、より高いコレクションフラグレートは、それ自体がより良い検出を確立するものではない。
探索的X値と4月のコレクションとの比較では,Effort の9月フラグ率は高く,Du は固定時間後ブートストラップ間隔で有意差がみられた。
属性、内容、処理の違いは、これらのコントラストの因果解釈を妨げる。
このコレクションは、製品移行中に報告されたモデル使用の分析をサポートし、ソースと属性の証拠は解釈のために保持される。
コレクションはhttps://scam.ai/research.comで公開されている。
関連論文リスト
- CITECHOICE: A Causal Audit of How Document Presentation Redistributes Citation Credit in Agentic Search [0.0]
CITECHOICEは、マルチターンエージェントサーチの因果監査である。
同一の既定事実に対して独立に認証されたサポートを持つ113の同呼文書ペアを選択する。
構造化レンダリングは、ソースの入力を明示的に増加させるのではなく、引用クレジットに集中する。
論文 参考訳（メタデータ） (2026-09-14T07:47:47Z) - From Advertised Improvements to Measured Capabilities: Evaluating ChatGPT Images 2.5 on Forgery Tasks [15.787104302260168]
画像登録後、FrareとSunburstは、周辺レシートテキストに対するOCR検出された変更が少ないことを示した。
フレアはCORDレシートの以前の編集を少なく保ち、フォト編集シーケンスはモデル間ではほとんど分離しない。
微細プリントの改良はOCRの信頼性限界以下で未解決のままである。
論文 参考訳（メタデータ） (2026-09-12T00:15:01Z) - Forging Tree-Ring: Reproducing and Instrumenting Black-Box Semantic Watermark Forgery [0.0]
我々は,安定拡散XL上のツリーリングに対するMllerらによるReprompt forgery攻撃を再現する。
実画像6/6、クリーン画像0/6、偽画像5/6を1回の攻撃で325-332秒で検出する。
論文 参考訳（メタデータ） (2026-09-11T14:35:42Z) - Vulnerabilities, Secrets and Misconfiguration in the Highest-Exposure Docker Hub Images [0.0]
ChimangoScanがDocker Hubをクロール(12,716,568リポジトリ、6600億の累積プル)
画像のプル数と下流のサブツリー全体を1つのスカラーに折り畳む露出スコアによって、画像のランク付けを行う。
6つの独立したスキャナーで52,895個の最高の露光レポジトリをスキャンし、170.4百万の発見を得た。
論文 参考訳（メタデータ） (2026-08-02T13:57:28Z) - Explaining AI-Image Detection: What the Heatmap Actually Shows [65.01025489527173]
私たちは検出器を構築し、その証拠として属性マップを添付します。
私たちは、そのペアがコントロール下の186,527のイメージにもたらすものを測定します。
属性ランキングが存在するかどうかは、検出器が画像に反応するかどうかに依存する。
論文 参考訳（メタデータ） (2026-07-31T16:07:05Z) - Medical thinking with multiple images [44.04557445622649]
我々はMedThinkVQAを紹介した。MedThinkVQAは、複数の画像で考えるためのエキスパートアノテーション付きベンチマークである。
データセットは720のテストケースを含む8,067ケースを含み、1ケースあたり平均6.62イメージである。
テストセットでは、最高のクローズドソースモデルであるClaude-4.6-Opus、Gemini-3-Pro、GPT-5.2-xhighは57.2%、55.3%、54.9%の精度しか達成できなかった。
論文 参考訳（メタデータ） (2026-04-14T18:51:07Z) - Words Worth a Thousand Pictures: Measuring and Understanding Perceptual Variability in Text-to-Image Generation [58.77994391566484]
W1KPは、画像の集合における可変性の人間の校正尺度である。
最高の知覚距離は、9つの基準線を最大18ポイント精度で上回る。
実際のプロンプトの56の言語的特徴を分析し、プロンプトの長さ、CLIP埋め込みノルム、具体性、単語感覚が最も変動に影響を及ぼすことを示した。
論文 参考訳（メタデータ） (2024-06-12T17:59:27Z) - ImagenHub: Standardizing the evaluation of conditional image generation
models [48.51117156168]
本稿では,条件付き画像生成モデルの推論と評価を標準化するワンストップライブラリであるImagenHubを提案する。
本研究では,感性一貫性と知覚品質という2つの評価スコアと,生成した画像を評価するための包括的なガイドラインを設計する。
人間の評価は,0.4以上の値を持つ76%のモデル上で,クリッペンドルフのαに対する高い労働者間合意を達成する。
論文 参考訳（メタデータ） (2023-10-02T19:41:42Z) - Invariant Learning via Diffusion Dreamed Distribution Shifts [121.71383835729848]
拡散ドリーム分布シフト(D3S)と呼ばれるデータセットを提案する。
D3Sは、テキストプロンプトを用いてStableDiffusionを通じて生成された合成画像と、サンプルフォアグラウンドイメージを背景テンプレートイメージにペーストした画像ガイドから構成される。
拡散モデルの驚くべきフォトリアリズムのため、我々の画像は以前の合成データセットよりも自然な画像に近い。
論文 参考訳（メタデータ） (2022-11-18T17:07:43Z) - Content-Based Detection of Temporal Metadata Manipulation [91.34308819261905]
画像の撮像時間とその内容と地理的位置とが一致しているかどうかを検証するためのエンドツーエンドのアプローチを提案する。
中心となる考え方は、画像の内容、キャプチャ時間、地理的位置が一致する確率を予測するための教師付き一貫性検証の利用である。
我々のアプローチは、大規模なベンチマークデータセットの以前の作業により改善され、分類精度が59.03%から81.07%に向上した。
論文 参考訳（メタデータ） (2021-03-08T13:16:19Z)
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。