論文の概要: EvoKnow: Continual Knowledge Evolution for AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2610.11381v1
• Date: Thu, 08 Oct 2026 07:12:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.855627
• Title: EvoKnow: Continual Knowledge Evolution for AI-Generated Image Detection
• Title（参考訳）: EvoKnow:AI生成画像検出のための継続的な知識進化
• Abstract要約: EvoKnowは、継続的AI生成画像検出を法医学的知識進化として定式化する、リプレイフリーのフレームワークである。 実験は、効果的なクロスジェネレータ一般化、少数ショット展開、長期水平連続適応を示す。
• 参考スコア（独自算出の注目度）: 20.19401744040839
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-generated image detectors are commonly trained on fixed generator domains and become difficult to maintain as new generative models emerge. Continual adaptation is challenging because replaying historical generated images is costly, whereas updating shared parameters with limited current-domain data can overwrite prior forensic knowledge. We propose EvoKnow, a replay-free framework that formulates continual AI-generated image detection as forensic knowledge evolution. EvoKnow preserves a shared forensic basis learned from base domains, incrementally adds isolated residual experts for complementary generator-relevant evidence, and retrieves expertise through an Analytical Incremental Router (AIR) updated in closed form from current-stage generated images and accumulated sufficient statistics. Experiments demonstrate effective cross-generator generalization, few-shot expansion, and long-horizon continual adaptation. With ten generated images per arriving generator, EvoKnow achieves 96.70% average accuracy on non-base GenImage generators and 94.48% accuracy on Chameleon without target-benchmark adaptation. Under a strict replay-free continual learning protocol, EvoKnow achieves state-of-the-art continual learning performance, attaining 96.32% mean stage-wise accuracy and 4.32% average forgetting.
• Abstract（参考訳）: AI生成画像検出器は、固定されたジェネレータドメインで一般的に訓練されており、新しい生成モデルが出現するにつれてメンテナンスが困難になる。 履歴生成画像の再生にはコストがかかるのに対して、現在のドメインデータに制限のある共有パラメータの更新は、事前の法医学的知識を上書きできるため、継続的な適応は難しい。 法医学的知識の進化として連続的なAI生成画像検出を定式化するリプレイフリーフレームワークであるEvoKnowを提案する。 EvoKnowは、ベースドメインから学んだ共有法医学ベースを保持し、補完的なジェネレータ関連証拠のために孤立した残留専門家を段階的に追加し、現在のステージ生成画像からクローズドな形で更新された解析的インクリメンタルルータ(AIR)を通じて専門知識を取得し、十分な統計を蓄積した。 実験は、効果的なクロスジェネレータ一般化、少数ショット展開、長期水平連続適応を示す。 EvoKnowは到着したジェネレータ毎に10個の画像を生成するため、非ベースジェネレータの平均精度は96.70%、Chameleonでは94.48%となる。 厳密なリプレイフリー連続学習プロトコルの下では、EvoKnowは最先端の継続的学習性能を達成し、96.32%の平均ステージ精度と4.32%の平均忘れを達成している。

関連論文リスト

• EvoGen-Harness: Learning Where and How to Evolve Image-Generation Harnesses [13.90368994038833]
  EvoGen-Harnessは、マルチ責任画像生成のためのジェネレータに依存しないフレームワークである。 非パッチとホールドアウトのバリデーションは、不要または有害な更新を防ぐ。 GenEval2、T2I-CompBench++、WISE全体で、EvoGen-Harnessは、最も評価の高いベースラインを+0.2633、+0.0720、+0.0752で改善している。
  論文  参考訳（メタデータ） (2026-09-30T09:30:52Z)
• DNA: Dual-stage Native Attribution for Generated Image Source Tracing [75.65470221927096]
  既存のプロアクティブな方法は、透かしの埋め込みやモデル修正に依存している。 DNAは、ニューラルネットワークのトレーニングを追加せずに、この階層に従う粗大なフレームワークである。 実験の結果、DNAは89.11%のエンドツーエンドの属性精度を達成している。
  論文  参考訳（メタデータ） (2026-07-15T10:27:52Z)
• Perception, Verdict, and Evolution: Hindsight-Driven Self-Refining Forensics Agent for AI-Generated Image Detection [80.15317858033534]
  ForeAgentは、反復的な自己進化を伴うAI生成画像検出のためのエージェント法医学フレームワークである。 ForeAgentはChameleonベンチマークで最先端のパフォーマンスを達成し、精度は82.18%に達した。 ForeAgent は GPT-5 や GPT-5-mini と比較して、より一貫性があり、因果的な推論をもたらす。
  論文  参考訳（メタデータ） (2026-06-25T02:59:33Z)
• Automated In-the-Wild Data Collection for Continual AI Generated Image Detection [14.171896272558142]
  進化する環境における検出器を更新するためのデータ中心型連続適応フレームワークを提案する。 そこで本研究では,検出器の適応には,電線内データとジェネレータ駆動データの両方が不可欠であることを示す。 2つの最先端検出器の実験では、平均精度は+9.14%と+8%で大幅に改善された。
  論文  参考訳（メタデータ） (2026-05-04T13:19:18Z)
• FUSE: Unifying Spectral and Semantic Cues for Robust AI-Generated Image Detection [0.2446672595462589]
  FUSEは、Fast Fourier Transformから抽出されたスペクトル特徴とCLIPのビジョンエンコーダから得られたセマンティック特徴を組み合わせたハイブリッドシステムである。 GenImageデータセットの平均精度は91.36%、テストされたすべてのジェネレータの平均精度は88.71%、平均精度は94.96%である。
  論文  参考訳（メタデータ） (2025-12-25T14:38:39Z)
• Self-Supervised AI-Generated Image Detection: A Camera Metadata Perspective [80.10217707456046]
  カメラメタデータを利用したAI生成画像検出のための自己教師型アプローチを提案する。 分類型EXIFタグを分類することにより,撮影画像のみに特徴抽出器を訓練する。 我々の検出器は、電界中のサンプルに対して強力な一般化と、一般的な良性イメージの摂動に対する堅牢性を提供する。
  論文  参考訳（メタデータ） (2025-12-05T11:53:18Z)
• 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)
• Epistemic Uncertainty for Generated Image Detection [107.62647907393377]
  本稿では,創成モデルの時代において重要なセキュリティ問題に対処することを目的とした,てんかん不確実性によるAI生成画像検出のための新しいフレームワークを提案する。 我々の重要な洞察は、トレーニングとテストデータの分布の相違が、機械学習モデルのエピステマティック不確実性空間に顕著に現れていることに起因している。
  論文  参考訳（メタデータ） (2024-12-08T11:32:25Z)
• Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
  実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。 それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。 以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
  論文  参考訳（メタデータ） (2024-11-12T01:17:27Z)
• 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。