論文の概要: Frequency-Domain AI-Generated Image Detection: Exploring Decoder and Channel Attention for Feature Refinement
- arxiv url: http://arxiv.org/abs/2609.31723v1
- Date: Tue, 22 Sep 2026 01:40:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 13:23:31.993559
- Title: Frequency-Domain AI-Generated Image Detection: Exploring Decoder and Channel Attention for Feature Refinement
- Title（参考訳）: 周波数領域のAI生成画像検出:特徴分担のためのデコーダとチャネルアテンションの探索
- Abstract要約: 高速フーリエ変換表現と高能率Net-B0を用いてAI生成画像検出を行う。
直接符号化方式の代替として,ECA,U-Net,Attention U-Netが検討されている。
Attention U-Netによる効率の良いNet-B0は、85.51%、ROC-AUC92.99%の精度で最高性能を達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid progress of AI, the number of AI-generated images has increased significantly in recent years. However, the increasing variety of image generation models makes detection more difficult. In this work, we use Fast Fourier Transform (FFT) representation with EfficientNet-B0 for AI-generated image detection. EfficientNet-B0 provides a lightweight architecture that can be useful for resource-limited applications. Most frequency-domain detectors use a standard encoder to extract features from the FFT spectrum and directly pass them to a classifier. We explored a different approach by investigating ECA, U-Net, and Attention U-Net as alternatives to this direct encoder-to-classifier approach. ECA applies channel attention, while U-Net and Attention U-Net use decoder-based architectures to recover and refine spatial information in the extracted frequency features. We used a balanced subset of the MS COCOAI dataset that includes AI-generated images from five different models. Three runs were carried out for each experiment, and the average values were recorded. Experimental results indicate that EfficientNet-B0 obtained an accuracy of 84.64%, which is 4.50 percentage points higher than the ResNet-50 baseline reported in the dataset paper. EfficientNet-B0 with U-Net provided a small improvement, achieving an accuracy of 84.85%, while ECA did not increase the overall performance. EfficientNet-B0 with Attention U-Net achieved the best overall performance, with an accuracy of 85.51% and an ROC-AUC of 92.99%. This represents an improvement of 0.87 percentage points in accuracy compared to the EfficientNet-B0 baseline and 5.37 percentage points over the ResNet-50 baseline reported in the dataset paper.
- Abstract（参考訳）: AIの急速な進歩に伴い、近年、AI生成画像の数は大幅に増加している。
しかし、画像生成モデルの多様化により、検出がより困難になる。
本研究では,Fast Fourier Transform (FFT) とEfficientNet-B0を用いてAI生成画像検出を行う。
EfficientNet-B0はリソース制限されたアプリケーションに有用な軽量アーキテクチャを提供する。
ほとんどの周波数領域検出器は標準エンコーダを使用してFFTスペクトルから特徴を抽出し、直接分類器に渡す。
本手法の代替として,ECA,U-Net,Attention U-Netについて検討した。
ECAはチャネルアテンションを適用し、U-NetとAttention U-Netはデコーダベースのアーキテクチャを使って抽出された周波数特性の空間情報を復元・精査する。
私たちは、5つの異なるモデルからAI生成画像を含むMS COCOAIデータセットのバランスの取れたサブセットを使用しました。
実験毎に3回の走行を行い,平均値を記録した。
実験の結果、EfficientNet-B0は84.64%の精度を示し、これはデータセット論文で報告されたResNet-50ベースラインよりも4.50ポイント高い。
U-Netとの効率の良いNet-B0は84.85%の精度を実現し、ECAは全体的な性能を向上しなかった。
Attention U-Netによる効率の良いNet-B0は、85.51%、ROC-AUC92.99%の精度で最高性能を達成した。
これはデータセット論文で報告されたResNet-50ベースラインよりも効率の良いNet-B0ベースラインと5.37ポイントよりも精度が0.87ポイント向上したことを示している。
関連論文リスト
- Comparative Evaluation of Deep Learning Models for Fake Image Detection [0.0]
本研究では,4つのCNNアーキテクチャの性能を,統合前処理とトレーニングパイプラインを用いたフェイク画像検出の性能と比較する。
VGG16の精度は91%に達し、XceptionNet、ResNet50、EfficientNetB0はそれぞれ90%に達した。
この研究は、信頼性の高い偽画像検出システムを開発するために、バランスの取れたデータセット、高度な拡張、公正な学習の必要性を強調している。
論文 参考訳（メタデータ） (2026-05-20T09:57:58Z) - Reinforce Data, Multiply Impact: Improved Model Accuracy and Robustness
with Dataset Reinforcement [68.44100784364987]
本研究では、強化データセット上でトレーニングされたモデルアーキテクチャの精度が、ユーザにとって追加のトレーニングコストなしで向上するように、データセットを改善する戦略を提案する。
ImageNet+と呼ばれるImageNetトレーニングデータセットの強化バージョンと、強化されたデータセットCIFAR-100+、Flowers-102+、Food-101+を作成します。
ImageNet+でトレーニングされたモデルは、より正確で、堅牢で、校正され、下流タスクにうまく転送されます。
論文 参考訳（メタデータ） (2023-03-15T23:10:17Z) - RedBit: An End-to-End Flexible Framework for Evaluating the Accuracy of
Quantized CNNs [9.807687918954763]
畳み込みニューラルネットワーク(CNN)は、画像処理、分類、セグメンテーションタスクのためのディープニューラルネットワークの標準クラスとなっている。
RedBitは、透過的で使いやすいインターフェースを提供するオープンソースのフレームワークで、異なるアルゴリズムの有効性をネットワークの精度で評価する。
論文 参考訳（メタデータ） (2023-01-15T21:27:35Z) - EEEA-Net: An Early Exit Evolutionary Neural Architecture Search [6.569256728493014]
限られた計算資源を持つオンデバイスプロセッサに適した畳み込みニューラルネットワーク(CNN)アーキテクチャの探索。
The Early Exit Population Initialisation (EE-PI) for Evolutionary Algorithm (EA)。
CIFAR-10は2.46%、CIFAR-100は15.02%、ImageNetデータセットは23.8%である。
論文 参考訳（メタデータ） (2021-08-13T10:23:19Z) - Post-training deep neural network pruning via layer-wise calibration [70.65691136625514]
本論文では,自動合成フラクタル画像に基づくコンピュータビジョンモデルに対するデータフリーな拡張を提案する。
実データを使用する場合は、トレーニング後の設定で65%の間隔で8ビットの精度でImageNet上のResNet50モデルを取得できます。
論文 参考訳（メタデータ） (2021-04-30T14:20:51Z) - EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning [82.54669314604097]
EagleEyeは、適応型バッチ正規化に基づく、シンプルだが効率的な評価コンポーネントである。
異なる破砕された構造と最終的な精度の間に強い相関関係が明らかになる。
このモジュールは、既存のプルーニングアルゴリズムをプラグインし改善するためにも一般的である。
論文 参考訳（メタデータ） (2020-07-06T01:32:31Z) - Improved Residual Networks for Image and Video Recognition [98.10703825716142]
ResNets(Residual Networks)は、CNN(Convolutional Neural Network)アーキテクチャの強力なタイプである。
ベースライン上での精度と学習収束性を一貫した改善を示す。
提案手法では,高度に深いネットワークをトレーニングできるが,ベースラインは厳密な最適化問題を示す。
論文 参考訳（メタデータ） (2020-04-10T11:09:50Z) - TResNet: High Performance GPU-Dedicated Architecture [6.654949459658242]
近年開発された多くのディープラーニングモデルは、FLOPS数が少なく、ResNet50よりもImageNetの精度が高い。
本稿では、GPUトレーニングと推論効率を維持しながら、ニューラルネットワークの精度を高めることを目的としたアーキテクチャ修正のシリーズを紹介する。
我々は、従来のConvNetよりも精度と効率を向上する、TResNetと呼ばれるGPU専用モデルの新しいファミリーを紹介する。
論文 参考訳（メタデータ） (2020-03-30T17:04:47Z) - Fixing the train-test resolution discrepancy: FixEfficientNet [98.64315617109344]
本稿では,複数のトレーニング手順を用いて,効率的なNet画像分類器の性能解析を行う。
FixEfficientNetと呼ばれる結果のネットワークは、同じ数のパラメータで初期アーキテクチャを著しく上回る。
論文 参考訳（メタデータ） (2020-03-18T14:22:58Z) - R-FCN: Object Detection via Region-based Fully Convolutional Networks [87.62557357527861]
我々は,高精度かつ効率的な物体検出のための領域ベースの完全畳み込みネットワークを提案する。
我々の結果は、Faster R-CNNよりも2.5-20倍高速で、1画像あたり170msのテストタイムで達成される。
論文 参考訳（メタデータ） (2016-05-20T15:50:11Z)
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。