論文の概要: Forensic Twins: Self-Supervised Residual Learning for AI-Generated Image Forensics

• arxiv url: http://arxiv.org/abs/2609.31514v1
• Date: Fri, 25 Sep 2026 16:55:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.495792
• Title: Forensic Twins: Self-Supervised Residual Learning for AI-Generated Image Forensics
• Title（参考訳）: Forensic Twins:AI生成画像のための自己監督型残差学習
• Abstract要約: Forensic Twinsは、プリテキストタスクがマクロコンテンツの可用性を抑制するフレームワークである。 実際の画像のみに基づいてトレーニングされており、任意のステージでAI生成画像が観察されることはない。 実験の結果、Forensic Twinsは56.61%の精度でAIジェネレータソースを属性としている。
• 参考スコア（独自算出の注目度）: 13.726589034127025
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Detectors of AI-generated images are typically trained using samples from all Generative AI architectures they must catch, and struggle as soon as a new architecture emerges. Recent approaches have explored self-supervised pre-training as an alternative solution, yet standard frameworks work against the forensic task, e.g., their augmentations overwrite the micro-statistics of image formation. This paper introduces Forensic Twins, a Self-Supervised Residual Learning (SSRL) framework whose pretext task suppresses macroscopic content availability. Each image is mapped through a frozen, off-the-shelf forensic residual extractor, from which two spatially disjoint crops are drawn. Sharing no pixel, the two views retain minimal semantic structure to align, leaving a redundancy-reduction objective with a predominant common signal: the stationary fingerprint of the image acquisition pipeline. Additionally, Forensic Twins is trained exclusively on real images; no AI-generated image is observed at any stage. Experiments show that Forensic Twins attributes AI generator sources with 56.61% accuracy, i.e., 6.13% above the previous state-of-the-art zero-shot method at 375x lower latency. We also demonstrate that fitting a Gaussian Mixture Model (GMM) offline using only the real image embeddings extracted from Forensic Twins turns it into a state-of-the-art zero-shot detector, reaching 97.99% AUC across 27 unseen AI generators, including GANs, diffusion models and commercial systems. Code, weights and exact splits will be made publicly available
• Abstract（参考訳）: AI生成イメージの検出器は通常、キャッチしなければならないすべての生成AIアーキテクチャのサンプルを使用してトレーニングされ、新しいアーキテクチャが出現するとすぐに苦労する。 近年, 自己指導型事前学習を代替手法として検討しているが, 標準フレームワークは, 画像形成のマイクロ統計を上書きするなど, 法医学的課題に対して機能する。 本稿では,SSRL(Self-Supervised Residual Learning)フレームワークであるForensic Twinsを紹介する。 各画像は、棚から外れた法医学的残余抽出器を介してマッピングされ、2つの空間的に不連続な作物が描画される。 ピクセルを共有しない2つのビューは、調整するための最小限の意味構造を保持し、冗長性推論の目的には、画像取得パイプラインの静止指紋(英語版)という主要な共通信号が残されている。 さらに、Forensic Twinsは実際の画像のみに訓練されている。 実験の結果、Forensic Twinsは56.61%の精度を持つAIジェネレータソースを属性としている。 また、Forensic Twinsから抽出された実像埋め込みのみを使用してガウス混合モデル(GMM)をオフラインにすることで、最先端のゼロショット検出器となり、GAN、拡散モデル、商用システムを含む27の未知のAIジェネレータで97.99%のAUCに達することを実証した。 コード、ウェイト、正確な分割が一般公開される

関連論文リスト

• GenShield: Unified Detection and Artifact Correction for AI-Generated Images [65.11434977803509]
  GenShieldは、診断から修復までのクローズドループでAIGI検出とアーティファクト修正を実行するフレームワークである。 大規模なアーティファクト-restored'ペアを備えた高品質データセットは、統一された評価パイプラインと共に構築される。
  論文  参考訳（メタデータ） (2026-05-15T16:06:20Z)
• Intermediate Representations are Strong AI-Generated Image Detectors [51.7378156094049]
  中間層にデータ感度を埋め込んでAI生成画像を検出する検索手法を提案する。 提案手法は, 実画像とAI生成画像の集合を考慮し, 原画像の埋め込みと摂動画像の埋め込みの類似性を調べ, 類似性に基づいてAI生成画像を検出する。 本手法は,Forensics Smallベンチマークにおいて,AUROCスコアの最良のトレーニングベース手法と比較して39.61%向上し,5.14%向上した。
  論文  参考訳（メタデータ） (2026-05-05T23:26:02Z)
• Attribution as Retrieval: Model-Agnostic AI-Generated Image Attribution [24.28021197076691]
  本研究は,AI生成画像の帰属をインスタンス検索問題として定式化し,新たなパラダイムを提案する。 LIDA(Low-bIt-plane-based Deepfake Attribution)と呼ばれる,効率的なモデルに依存しないフレームワークを提案する。 実験により、LIDAは、ゼロショットおよび少数ショット設定下で、ディープフェイク検出と画像属性の両方の最先端性能を達成することが示された。
  論文  参考訳（メタデータ） (2026-03-11T09:40:00Z)
• When Detectors Forget Forensics: Blocking Semantic Shortcuts for Generalizable AI-Generated Image Detection [48.75021863792367]
  Vision Foundation Models (VFMs, emphe.g., CLIP) は、しばしば目に見えない生成パイプラインを使って生成された画像に一般化するのに苦労する。 textbfGeometric Semantic Decoupling (GSD)を提案する。 GSDはバッチワイズ統計から意味論的方向を推定し、幾何学的制約によってそれらを投影し、アーティファクト検出器は意味論的不変な法医学的証拠に依存するように強制する。
  論文  参考訳（メタデータ） (2026-03-10T06:16:35Z)
• 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)
• Supervised Contrastive Learning for Few-Shot AI-Generated Image Detection and Attribution [3.103291412074661]
  本研究では,合成画像検出に固有の一般化問題に対処する新しい2段階検出フレームワークを提案する。 提案手法は,既存手法よりも5.2ポイント向上した平均検出精度91.3%を実現する。
  論文  参考訳（メタデータ） (2025-11-20T16:53:24Z)
• Forensic Self-Descriptions Are All You Need for Zero-Shot Detection, Open-Set Source Attribution, and Clustering of AI-generated Images [8.167678851224121]
  従来の手法では、トレーニング中に既知のソースに特有の機能に依存するため、見えないジェネレータに一般化できない。 本稿では,法医学的微細構造を明示的にモデル化する新しい手法を提案する。 この自己記述により、合成画像のゼロショット検出、画像のオープンセットソース属性、および事前知識のないソースに基づくクラスタリングを行うことができる。
  論文  参考訳（メタデータ） (2025-03-26T21:34:37Z)
• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
  RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
  論文  参考訳（メタデータ） (2024-05-30T14:49:54Z)

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。