論文の概要: FARE: Forensic Acceptance Region Estimation for Catching Bait-and-Switch Image Generators
- arxiv url: http://arxiv.org/abs/2609.30982v1
- Date: Fri, 25 Sep 2026 08:28:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.296589
- Title: FARE: Forensic Acceptance Region Estimation for Catching Bait-and-Switch Image Generators
- Title（参考訳）: FARE:Bait-and-Switchイメージジェネレータの法医学的受容領域推定
- Abstract要約: デプロイメント時の整合性監査について検討し、FARE(Forensic Acceptance Region Estimation)を提案する。
認証されたジェネレータは、そのジェネレータからサンプリングされた画像に対してFAREをトレーニングすることで登録される。
デプロイ後、FAREは、生成されたイメージが登録されたジェネレータと一貫性があるかどうかを判断できる。
- 参考スコア（独自算出の注目度）: 5.450474861880874
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern AI image generators are increasingly deployed as opaque APIs, where customers can query the deployed service, but cannot inspect model weights or architecture. This creates a practical challenge: a provider may pass governance certification with one generator and later silently switch to a cheaper and lower-quality one for deployment, compromising public trust or even safety in high-stakes domains. We study integrity auditing at deployment time and propose FARE (Forensic Acceptance Region Estimation). A certified generator is enrolled by training FARE on images sampled from that generator. After deployment, FARE can determine whether a generated image is consistent with the enrolled generator---using only that image. FARE's features are based on image generator-specific artifacts that have been proposed for forensic applications. FARE amplifies these features during training by finding hard samples that tighten the acceptance region and increase sensitivity to subtle changes in the certified generator. Across generator swaps, including substitutions with similar model versions and model variants, FARE is effective at detecting swaps, consistently outperforming existing baselines at strict operating points, and remains effective under the exact-model and decision-only attacks evaluated in this work.
- Abstract（参考訳）: 最新のAIイメージジェネレータは不透明なAPIとしてデプロイされ、顧客はデプロイされたサービスに問い合わせるが、モデルの重みやアーキテクチャを検査することはできない。
プロバイダは1つのジェネレータでガバナンス認証をパスし、その後静かに、デプロイのために安価で品質の低いものへ移行し、パブリックな信頼を損なったり、高リスクドメインの安全性を損なう。
デプロイメント時の整合性監査について検討し,FARE(Forensic Acceptance Region Estimation)を提案する。
認証されたジェネレータは、そのジェネレータからサンプリングされた画像に対してFAREをトレーニングすることで登録される。
デプロイ後、FAREは生成されたイメージが登録されたジェネレータと一貫性があるかどうかを判断できる。
FAREの特徴は、法医学的な応用のために提案されたイメージジェネレータ固有のアーティファクトに基づいている。
FAREは、受け入れ領域を締め付け、認定されたジェネレータの微妙な変更に対する感受性を高めるハードサンプルを見つけることで、トレーニング中にこれらの特徴を増幅する。
同様のモデルバージョンやモデル変種の置換を含むジェネレータスワップは、スワップの検出に有効であり、厳密な操作ポイントにおいて既存のベースラインを一貫して上回り、この研究で評価された正確なモデルと決定のみの攻撃の下でも有効である。
関連論文リスト
- From Detection to Localization: A Unified Forensics Framework for Fully Synthetic and Tampered Images [7.9180538960840385]
この研究は、統合されたマルチクラスフレームワークを導入することで既存の検出器を拡張する(実対完全生成対タンパー)。
画像認証の分類に加えて、このフレームワークにはセグメンテーションブランチが組み込まれ、改ざんされた領域のピクセルレベルのローカライゼーションを可能にする。
提案手法は、最近選択されたベンチマークよりも優れており、分類精度が向上し、ローカライゼーションタスクのIoUスコアが向上した効率的なソリューションを提供する。
論文 参考訳（メタデータ） (2026-09-02T14:16:44Z) - FUSED: Forensic-Semantic Mixture-of-Experts for AI Inpainting Detection and Localization [14.056602265859645]
拡散ベースの塗装モデルは、画像の局所的な部分だけを変更する。
多くのAIイメージ検出器は、グローバルアーティファクトに依存し、ローカライズしない。
FUSEDは,AIによるインペイントの同時検出と局所化のための統合フレームワークである。
論文 参考訳（メタデータ） (2026-08-28T13:05:43Z) - Where Detectors Fail: Probing Generative Space for Generalizable AI-Generated Image Detection [69.6123714120735]
AI生成画像(AIGI)の検出は、検出器が見えないジェネレータに一般化できないことが多いため、依然として難しい。
本稿では, 生成過程の挑戦領域を積極的に探究することで, 検出器の一般化を改善するフレームワーク PROBE を提案する。
論文 参考訳（メタデータ） (2026-05-24T07:15:06Z) - StableGuard: Towards Unified Copyright Protection and Tamper Localization in Latent Diffusion Models [55.05404953041403]
拡散生成プロセスにバイナリ透かしをシームレスに統合する新しいフレームワークを提案する。
画像の忠実さ、透かしの検証、ローカライゼーションの改ざんにおいて、StableGuardは一貫して最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2025-09-22T16:35:19Z) - TAG-WM: Tamper-Aware Generative Image Watermarking via Diffusion Inversion Sensitivity [76.98973481600002]
本稿では,TAG-WMと命名されたタンパ認識画像ウォーターマーキング手法を提案する。
提案手法は、4つのキーモジュールからなる: 生成品質を保ちつつ、著作権と局所化の透かしを潜伏空間に埋め込むためのデュアルマークジョイントサンプリング (DMJS) アルゴリズム。
実験結果から,TAG-WMは歪み下においても,改質性および局所化能力の両面において最先端性能を達成できることが示された。
論文 参考訳（メタデータ） (2025-06-30T03:14:07Z) - GenPTW: In-Generation Image Watermarking for Provenance Tracing and Tamper Localization [32.843425702098116]
GenPTWは潜在拡散モデル(LDM)のためのインジェネレーション画像透かしフレームワークである
画像生成フェーズ中に構造化された透かし信号を埋め込んで、統一されたプロファイランストレースとタンパーローカライゼーションを可能にする。
実験により、GenPTWは画像の忠実度、透かし抽出精度、改ざん性能において既存の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2025-04-28T08:21:39Z) - Exploring Incompatible Knowledge Transfer in Few-shot Image Generation [107.81232567861117]
少ないショット画像生成は、いくつかの参照サンプルを使用して、ターゲットドメインから多彩で高忠実な画像を生成することを学習する。
既存のF SIGメソッドは、ソースジェネレータから事前の知識を選択し、保存し、転送し、ターゲットジェネレータを学習する。
本稿では,知識保存を補完する操作であり,軽量プルーニング方式で実装した知識トランケーションを提案する。
論文 参考訳（メタデータ） (2023-04-15T14:57:15Z)
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。