論文の概要: RED: Reconstruction Evolution Dynamics for Generalizable AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2609.36822v1
• Date: Tue, 29 Sep 2026 06:33:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.240964
• Title: RED: Reconstruction Evolution Dynamics for Generalizable AI-Generated Image Detection
• Title（参考訳）: RED:汎用AI生成画像検出のための再構成進化ダイナミクス
• Abstract要約: 本稿では, 粗い復元から細かな復元へ移行可能な法医学的手がかりを捉えるフレームワークであるRED(Reconstruction Evolution Dynamics)を提案する。 我々の知る限り、REDは大規模なトークン予測能力を使用して、中間的再構築状態における法医学的証拠の収集を誘導する最初のフレームワークである。
• 参考スコア（独自算出の注目度）: 19.260946910568823
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid evolution of image generators calls for forensic cues that generalize beyond known generation mechanisms. Existing detectors often rely on static image representations or endpoint reconstruction discrepancies, leaving the evolution of intermediate reconstruction stages underexplored. We observe that the relative token predictability of real and generated images can reverse across reconstruction scales, suggesting that intermediate stages may expose forensic evidence overlooked by endpoint comparisons. Motivated by this observation, we propose RED (Reconstruction Evolution Dynamics), a framework that captures transferable forensic cues from coarse-to-fine reconstruction evolution. To our knowledge, RED is the first framework to use scale-wise token predictability to guide forensic evidence aggregation across intermediate reconstruction states. It represents the reconstruction trajectory produced by a frozen multiscale VQ-VAE in the shared feature space of a frozen CLIP encoder. To connect the observed predictability variations with visual evidence, RED learns image-adaptive stage weights from scale-wise token negative log-likelihoods provided by a frozen VAR model. A cross-stage evidence aggregation module then jointly models the original-image representation and the weighted reconstruction features, capturing complementary forensic cues through interactions along the reconstruction trajectory. Experiments on six diverse benchmarks demonstrate that RED achieves the highest average accuracy of 92.5\% and average precision of 97.5\% among the evaluated methods. Further evaluations show strong robustness to common image degradations, supporting the value of reconstruction evolution for generalizable AI-generated image detection. The code will be made publicly available upon acceptance of this paper.
• Abstract（参考訳）: 画像生成装置の急速な進化は、既知の生成メカニズムを超えて一般化する法医学的手がかりを要求する。 既存の検出器はしばしば静的な画像表現やエンドポイントの再構成の相違に依存しており、中間的な再構築段階の進化は未調査のままである。 実画像と生成画像の相対的なトークン予測性は、再構成スケールをまたいで逆転し、中間段階がエンドポイント比較で見過ごされる法医学的証拠を明らかにする可能性があることを示唆する。 本研究の目的は, 粗い復元から細かな復元へ移行可能な法医学的手がかりを捉えるフレームワークであるRED(Reconstruction Evolution Dynamics)を提案することである。 我々の知る限り、REDは大規模なトークン予測能力を使用して、中間的再構築状態における法医学的証拠の収集を誘導する最初のフレームワークである。 これは、凍結したCLIPエンコーダの共有特徴空間において、凍結したマルチスケールのVQ-VAEによって生成された再構成軌道を表す。 観測された予測可能性のバリエーションと視覚的エビデンスを結びつけるため、REDは凍結したVARモデルによって提供されるスケールワイドトークンの負のログ類似度から、画像適応的なステージウェイトを学習する。 クロスステージエビデンスアグリゲーションモジュールは、元の画像表現と重み付けされた再構成特徴を共同でモデル化し、再構成軌道に沿った相互作用を通じて補完的な法医学的手がかりをキャプチャする。 6つの多様なベンチマーク実験により、REDは評価手法の中で92.5\%の平均精度と97.5\%の平均精度を達成することが示された。 さらなる評価では、一般的な画像劣化に対して強い堅牢性を示し、一般化可能なAI生成画像検出のための再構成進化の値を支持する。 コードは、この論文の受理時に公開されます。

関連論文リスト

• Reconstruction-Shift Discrimination via Mask-Guided Latent Diffusion for Medical Anomaly Detection [58.92871907037662]
  教師なしの医学的異常検出は、正常な訓練画像から正常な解剖パターンを学習し、テスト時の偏差を識別する。 再構成に基づく拡散に基づく手法は、通常、入力画像とその再構成の違いを異常な証拠として利用する。 本研究は,残差に基づく局所化と再構成-シフト判別を補完する医用異常検出フレームワークであるDMDを提案する。
  論文  参考訳（メタデータ） (2026-08-01T04:56:39Z)
• Representation Trajectories Matters: Complementary Evidence for OOD Detection and Image Classification [34.70678629832136]
  視覚モデルは一度に表現を形成せず、各ブロックはそれを更新する。 我々は,結果の計算経路が最終表現が破棄される証拠を含むか否かを問うとともに,その証拠がクリーンかつシフトしたデータ上でのOODの検出と画像分類を改善するか否かを問う。 我々は、クラスコヒーレントトランスポートを入力固有のイノベーションから分離し、リレーショナルリオーガナイゼーションからの移動を調整する。 教師付き、自己監督型、視覚言語、階層型、畳み込みエンコーダ全体において、これらのパスは、強いサンプル固有の連続性と、データセット間で再帰するアーキテクチャ固有の深さプロファイルを示す。
  論文  参考訳（メタデータ） (2026-07-29T07:35:59Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• In-Domain GAN Inversion for Faithful Reconstruction and Editability [132.68255553099834]
  ドメイン誘導型ドメイン正規化とエンコーダで構成されたドメイン内GANインバージョンを提案し、事前学習されたGANモデルのネイティブ潜在空間における反転コードを正規化する。 エンコーダ構造,開始反転点,および逆パラメータ空間の効果を総合的に解析し,再構成品質と編集特性とのトレードオフを観察する。
  論文  参考訳（メタデータ） (2023-09-25T08:42:06Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• Conditional Variational Autoencoder for Learned Image Reconstruction [5.487951901731039]
  本研究では,未知画像の後部分布を問合せ観測で近似する新しいフレームワークを開発する。 暗黙のノイズモデルと先行処理を処理し、データ生成プロセス(フォワード演算子)を組み込み、学習された再構成特性は異なるデータセット間で転送可能である。
  論文  参考訳（メタデータ） (2021-10-22T10:02:48Z)

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。