論文の概要: AniPrO: Interpretable Anime Image Provenance Detection via Multi-Dimensional Semantic Reasoning
- arxiv url: http://arxiv.org/abs/2609.23345v1
- Date: Sun, 20 Sep 2026 04:15:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.783392
- Title: AniPrO: Interpretable Anime Image Provenance Detection via Multi-Dimensional Semantic Reasoning
- Title（参考訳）: AniPrO:多次元セマンティック推論による解釈可能なアニメ画像検出
- Abstract要約: 本稿では,アニメ画像の解釈のための記述強化フレームワークであるAniPrOを提案する。
AniPrOには、Real、Inpainting、Text2Imageのカテゴリをカバーする、35,000イメージの候補プールから15,000のバランスのとれたサンプルが含まれている。
実験によると、構造化されたセマンティックガイダンスは、グローバルな視覚的可視性と局所的な詳細コヒーレンスとのギャップのような、体系的なAI世代バイアスを明らかにする。
- 参考スコア（独自算出の注目度）: 14.311998710590226
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As generative AI becomes increasingly used in anime-style image creation, distinguishing human-drawn, AI-inpainted, and text-to-image images is important for copyright attribution, visual provenance, and content governance. Existing AI-generated image detectors mainly target real-world photographs and often overlook anime-specific cues such as flat coloring, exaggerated structures, and artistic line control. To address this gap, we propose AniPrO, a multi-dimensional description-enhanced framework for interpretable anime image provenance. Built upon AnimeDL-2M, AniPrO contains 15,000 balanced samples from a 35,000-image candidate pool, covering Real, Inpainting, and Text2Image categories with structured five-dimensional descriptions. We further introduce AniPrO-SFD-Bench and AniPrO-MFR-Bench to evaluate provenance detection from statistical feature discrimination and multimodal fusion reasoning perspectives. Experiments show that structured semantic guidance reveals systematic AI-generation biases, such as the gap between global visual plausibility and local detail coherence, and improves the detection of challenging inpainting samples. The dataset and code will be released at: https://github.com/YAN-LIU05/AniPrO.
- Abstract（参考訳）: ジェネレーティブAIがアニメスタイルの画像生成にますます使われるようになるにつれて、人間の描いた、AIに塗られた、テキストから画像への画像の区別は、著作権の帰属、視覚的証明、コンテンツガバナンスにとって重要である。
既存のAI生成画像検出器は、主に現実世界の写真をターゲットにしており、しばしば平らな着色、誇張された構造、芸術的なラインコントロールのようなアニメ特有の手がかりを見落としている。
このギャップに対処するために,アニメ画像の解釈のための多次元記述強化フレームワークであるAniPrOを提案する。
AnimeDL-2Mに基づいて構築されたAniPrOは、35,000イメージの候補プールから15,000のバランスの取れたサンプルを含んでおり、Real、Inpainting、Text2Imageのカテゴリを構造化された5次元記述でカバーしている。
さらに,AniPrO-SFD-Bench と AniPrO-MFR-Bench を導入し,統計的特徴判別と多モード融合推論の観点からの出所検出の評価を行った。
実験により、構造化されたセマンティックガイダンスは、グローバルな視覚的可視性と局所的な詳細コヒーレンスとのギャップのような、体系的なAI世代バイアスを明らかにし、難解な塗布サンプルの検出を改善することが示された。
データセットとコードは、https://github.com/YAN-LIU05/AniPrOでリリースされる。
関連論文リスト
- AI-Generated Images: What Humans and Machines See When They Look at the Same Image [0.0]
オンライン偽情報キャンペーンにおける生成AIの誤用は、透明で説明可能な検出システムの必要性を強調している。
我々は様々なアーキテクチャと微調整戦略を備えた検出器群を開発した。
我々は最先端のテキスト・ツー・イメージAIジェネレータの性能を評価する。
論文 参考訳（メタデータ） (2026-05-07T12:40:13Z) - AnimeDL-2M: Million-Scale AI-Generated Anime Image Detection and Localization in Diffusion Era [11.94929097375473]
手描きアートワークとしてのAI生成画像の誤表現は、アニメコミュニティや業界に深刻な脅威をもたらす。
本稿では,アニメIMDLの包括的なアノテーションを用いた大規模ベンチマークであるAnimeDL-2Mを提案する。
また,アニメ映像の視覚的特徴に合わせた新しいモデルAniXploreを提案する。
論文 参考訳（メタデータ） (2025-04-15T09:41:08Z) - LEGION: Learning to Ground and Explain for Synthetic Image Detection [49.958951540410816]
提案するSynthScarsは,12,236個の完全合成画像からなる高品質で多様なデータセットである。
4つの異なる画像コンテンツタイプ、3つのアーティファクトカテゴリ、ピクセルレベルのセグメンテーション、詳細なテキスト説明、アーティファクトカテゴリラベルを含んでいる。
人工物の検出,分割,説明を統合するマルチモーダル大規模言語モデル(MLLM)に基づく画像偽造解析フレームワークであるLEGIONを提案する。
論文 参考訳（メタデータ） (2025-03-19T14:37:21Z) - D-Judge: How Far Are We? Assessing the Discrepancies Between AI-synthesized and Natural Images through Multimodal Guidance [19.760989919485894]
5000の自然画像と440,000以上のAIGIサンプルからなる大規模マルチモーダルデータセットD-ANIを構築した。
次に、AI生成画像(AIGI)が真に現実的なイメージからどこまで遠いのかという、重要な問題に対処するために、AI-Natural Image Discrepancy評価ベンチマーク(D-Judge)を導入します。
論文 参考訳（メタデータ） (2024-12-23T15:08:08Z) - HawkI: Homography & Mutual Information Guidance for 3D-free Single Image to Aerial View [67.8213192993001]
本稿では,テキストと模範画像から空中視像を合成するためのHawkeIを提案する。
HawkIは、予め訓練されたテキストから2次元の安定拡散モデルに入力画像からの視覚的特徴をブレンドする。
推測において、HawkeIは、入力画像の意味的詳細を忠実に複製するために生成されたイメージを操るために、ユニークな相互情報ガイダンスの定式化を用いる。
論文 参考訳（メタデータ） (2023-11-27T01:41:25Z) - Scenimefy: Learning to Craft Anime Scene via Semi-Supervised
Image-to-Image Translation [75.91455714614966]
そこで我々は,新しい半教師付き画像-画像間翻訳フレームワークであるScenimefyを提案する。
提案手法は,構造に一貫性のある擬似ペアデータによる学習を導く。
スタイル化と細部を改善するために、パッチワイドのコントラストスタイルロスが導入されている。
論文 参考訳（メタデータ） (2023-08-24T17:59:50Z) - Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。
我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
論文 参考訳（メタデータ） (2023-04-02T10:25:09Z)
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。