論文の概要: EIB-Net: Entropy-Guided Information Bottleneck for Generalizable AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2609.29064v1
• Date: Thu, 24 Sep 2026 05:52:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.74123
• Title: EIB-Net: Entropy-Guided Information Bottleneck for Generalizable AI-Generated Image Detection
• Title（参考訳）: EIB-Net:汎用AI生成画像検出のためのエントロピーガイド型情報ボトルネック
• Abstract要約: 本稿では,エントロピー誘導型インフォメーション・ボトルネック・ネットワークであるEIB-Netを提案する。 EIB-Netは、最も情報性の高い(最も低いエントロピーの)パッチを自動的に選択し、変分情報ボトルネックで処理する。 DIFF、DiffusionForensics、GenImageベンチマークの実験では、最先端のパフォーマンスが示されている。
• 参考スコア（独自算出の注目度）: 3.588329477385935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The proliferation of photorealistic AI-generated images demands robust detection methods that generalize across diverse generative models. While existing approaches target manipulation-based forgeries with local artifacts, generation-based images (e.g., from diffusion models) lack such traces, posing a fundamental challenge. We observe that generative models prioritize global semantics at the expense of local texture fidelity, making low-texture regions key indicators of synthetic origin. To exploit this, we propose EIB-Net, an Entropy-guided Information Bottleneck Network. EIB-Net introduces a novel Image Entropy (IE) metric to automatically select the most informative (lowest-entropy) patch, then processes it with a Variational Information Bottleneck (VIB) to learn compact, generalizable features. Extensive experiments on DIFF, DiffusionForensics, and GenImage benchmarks demonstrate state-of-the-art performance: EIB-Net achieves 85.7\% accuracy using only 2\% of training data, outperforming full-image baselines by over 15\%, and maintains robust cross-generator generalization (83.5\% average accuracy on GenImage). Furthermore, our entropy-guided patch selection (EGPL) consistently enhances diverse backbones (CNNs and Transformers), proving its practical value for data-efficient detection.
• Abstract（参考訳）: フォトリアリスティックAI生成画像の拡散は、様々な生成モデルにまたがって一般化する堅牢な検出方法を要求する。 既存のアプローチでは、操作ベースのフォージェリーを局所的なアーティファクトでターゲットとしているが、生成ベースのイメージ(拡散モデルなど)にはそのようなトレースが欠如しており、根本的な課題となっている。 生成モデルは局所的なテクスチャの忠実度を犠牲にしてグローバルなセマンティクスを優先し、低テクスチャ領域を合成起源の重要な指標とする。 そこで我々は,Entropy-guided Information Bottleneck Network である EIB-Net を提案する。 EIB-Netは、最新の画像エントロピー(IE)メトリクスを導入し、最も情報性の高い(最も低いエントロピー)パッチを自動的に選択し、変動情報ボトルネック(VIB)で処理し、コンパクトで一般化可能な特徴を学習する。 DIFF、DiffusionForensics、GenImageベンチマークの大規模な実験は、最先端のパフォーマンスを示している: EIB-Netは、トレーニングデータのわずか2\%で85.7\%の精度を達成し、フルイメージベースラインを15\%以上上回り、堅牢なクロスジェネレータ一般化(GenImageの平均精度83.5\%)を維持している。 さらに、当社のエントロピー誘導パッチ選択(EGPL)は多様なバックボーン(CNNとトランスフォーマー)を一貫して強化し、データ効率の検出に実用的価値を証明している。

関連論文リスト

• Detecting AI-Generated Images via Distributional Deviations from Real Images [6.615773227400183]
  ファインチューニング中に生成モデル固有のパターンを含むテクスチャ領域をマスクするテクスチャ・アウェア・マスキング(TAM)機構を導入する。 我々の手法は最小限の画像しか調整されず、既存の手法よりも大幅に優れており、2つのデータセットの平均精度は98.2%と94.6%に達する。
  論文  参考訳（メタデータ） (2026-01-07T05:00:13Z)
• Attention to Detail: Global-Local Attention for High-Resolution AI-Generated Image Detection [0.0]
  GLASSは、グローバルに再サイズされたビューと、ランダムにサンプリングされた複数のローカル作物を組み合わせたアーキテクチャである。 視覚モデルに統合することで、任意のサイズの画像のグローバル情報とローカル情報の両方を活用することができる。
  論文  参考訳（メタデータ） (2026-01-01T00:00:07Z)
• NS-Net: Decoupling CLIP Semantic Information through NULL-Space for Generalizable AI-Generated Image Detection [14.7077339945096]
  NS-Netは、CLIPの視覚的特徴から意味情報を分離する新しいフレームワークである。 実験の結果、NS-Netは既存の最先端手法よりも優れており、検出精度は7.4%向上している。
  論文  参考訳（メタデータ） (2025-08-02T07:58:15Z)
• MLEP: Multi-granularity Local Entropy Patterns for Universal AI-generated Image Detection [44.40575446607237]
  AI生成画像(AIGI)を効果的に検出する手法が緊急に必要である。 マルチグラニュラリティ局所エントロピーパターン (MLEP) を提案する。 MLEPは、画像のセマンティクスを著しく破壊し、潜在的なコンテンツバイアスを低減しながら、次元とスケールの画素関係を包括的にキャプチャする。
  論文  参考訳（メタデータ） (2025-04-18T14:50:23Z)
• Zooming In on Fakes: A Novel Dataset for Localized AI-Generated Image Detection with Forgery Amplification Approach [69.01456182499486]
  textbfBR-Genは、さまざまなシーン認識アノテーションを備えた15万のローカル鍛造イメージの大規模なデータセットである。 textbfNFA-ViTはノイズ誘導フォージェリ増幅ビジョン変換器で、ローカライズされたフォージェリの検出を強化する。
  論文  参考訳（メタデータ） (2025-04-16T09:57:23Z)
• Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
  Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。 CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
  論文  参考訳（メタデータ） (2024-07-29T18:00:10Z)
• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)

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。