論文の概要: Look Closer: Patch-wise Supervision for AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2609.37937v2
• Date: Wed, 30 Sep 2026 02:30:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.33245
• Title: Look Closer: Patch-wise Supervision for AI-Generated Image Detection
• Title（参考訳）: AI生成画像検出のためのパッチワイド・スーパービジョン
• Abstract要約: 小さなRGB領域は、全シーンをほとんど明らかにしていない場合でも、画像合成の有用な証拠を保持することができる。 単一パッチ検出によってモチベーションを得たパッチ管理について検討する。 実験は、シングルパッチの選択、複数のジェネレータコレクション、4つのCNNとTransformerバックボーンにまたがる。
• 参考スコア（独自算出の注目度）: 7.095365403752337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How much of an image does a detector need to see? Small RGB regions can retain useful evidence of image synthesis even when they reveal little of the full scene. Motivated by single-patch detection, we study patch-wise supervision: a shared backbone classifies explicit crops, each crop receives its own loss, and patch probabilities are averaged only at inference. The procedure requires neither handcrafted residual filtering nor a learned image-level fusion module. Experiments span single-patch selection, multiple generator collections, and four CNN and Transformer backbones. On GenImage, the reported patch-wise variants improve average accuracy over their whole-image counterparts across all four backbones. Comparisons of supervision granularity, source resolution, crop size, and inference coverage further characterize the approach, while post-processing tests and difficult-image evaluation reveal its limitations. The historical experiments include evaluation-based model selection, so their scores are not presented as a uniformly selected leaderboard comparison. Overall, the study identifies explicit local input and patch-level supervision as a simple, useful combination for investigating generalizable AI-generated image detection.
• Abstract（参考訳）: 検出器はどんな画像を見る必要があるか? 小さなRGB領域は、全シーンをほとんど明らかにしていない場合でも、画像合成の有用な証拠を保持することができる。 共有バックボーンは明示的な作物を分類し、各作物は独自の損失を受け取り、パッチ確率は推論時にのみ平均化される。 この手順は手作り残差フィルタも学習画像レベルの融合モジュールも必要としない。 実験は、シングルパッチの選択、複数のジェネレータコレクション、4つのCNNとTransformerバックボーンにまたがる。 GenImageでは、4つのバックボーンにまたがる画像全体の平均精度を改善するパッチワイド版が報告されている。 監視の粒度、ソースの解像度、作物の大きさ、推定範囲の比較は、アプローチをさらに特徴付ける一方、後処理テストと難しい画像評価は、その限界を明らかにしている。 歴史的実験には評価に基づくモデル選択が含まれており、スコアは均一に選択されたリーダーボード比較として提示されない。 全体として、この研究は、局所的な入力とパッチレベルの監督を、一般化可能なAI生成画像検出を調査するための、シンプルで有用な組み合わせとして特定している。

関連論文リスト

• Learning Continuous Source Responses For Generalizable AI-Generated Image Detection [42.338483531657666]
  継続的ソース応答を学習するためのフレームワークであるCuReを紹介します。 CuReはトレーニングタスクの観点から認証検出を再考する。 平均平衡精度は89.7%で、第2の利率を5.2ポイント上回る。
  論文  参考訳（メタデータ） (2026-09-13T06:24:59Z)
• Quality-Aware Calibration for AI-Generated Image Detection in the Wild [13.4681679159494]
  QuAD(Quality-Aware calibration with near-duplicates)は、同じ画像のすべての利用可能なニア・ドプリケートに基づいて決定を行う新しいフレームワークである。 オンライン再投稿のダイナミクスをシミュレートする分解木で編成された136kのイメージのラベル付きデータセットであるAncesTreeと、バイラルWebコンテンツから収集された約10kに近い画像の実際のデータセットであるReWINDの2つのデータセットを紹介した。
  論文  参考訳（メタデータ） (2026-04-16T13:56:52Z)
• Diversity over Uniformity: Rethinking Representation in Generated Image Detection [22.020742109848317]
  我々は、確実に生成された画像検出は、単一の決定経路に依存するのではなく、複数の判断視点を維持するべきであると論じている。 本稿では,タスク非関係なコンポーネントをフィルタし,表現空間における様々なフォージェリーキュー間の過剰なオーバーラップを抑えるアンチファイン・コラプス学習フレームワークを提案する。 この設計は、モデル内で多様な補完的な証拠を維持し、小さな敬意的な手がかりへの依存を減らし、目に見えない生成条件下で堅牢性を高める。
  論文  参考訳（メタデータ） (2026-02-28T15:42:12Z)
• Redefining Generalization in Visual Domains: A Two-Axis Framework for Fake Image Detection with FusionDetect [19.97092710696699]
  本稿では,OmniGenベンチマークを用いて,現実的な条件下での検出器性能の評価を行う。 また、一般化の両ベクトルに対処する新しい手法FusionDetectを導入する。 我々の実験では、FusionDetectは新しい最先端技術を提供するだけでなく、OmniGenの精度も4.48%向上している。
  論文  参考訳（メタデータ） (2025-10-07T10:01:32Z)
• All Patches Matter, More Patches Better: Enhance AI-Generated Image Detection via Panoptic Patch Learning [45.37237171823581]
  AI生成画像(AIGI)の指数的成長は、堅牢で一般化可能な検出方法の緊急の必要性を浮き彫りにしている。 本稿では,系統解析によるAIGI検出の2つの重要な原則を確立する。
  論文  参考訳（メタデータ） (2025-04-02T06:32:09Z)
• Breaking the Frame: Visual Place Recognition by Overlap Prediction [53.17564423756082]
  本稿では,重なり合う予測に基づく新しい視覚的位置認識手法 VOP を提案する。 VOPは、Vision Transformerのバックボーンを使用してパッチレベルの埋め込みを取得することで、コビジュアブルなイメージセクションを進める。 提案手法では,データベース画像の重複点の評価に投票機構を用いる。
  論文  参考訳（メタデータ） (2024-06-23T20:00:20Z)
• Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
  画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。 既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。 本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T13:12:41Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)

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。