論文の概要: Relative Patch Response Learning for Generalizable AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2610.11876v1
• Date: Thu, 08 Oct 2026 12:49:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.032984
• Title: Relative Patch Response Learning for Generalizable AI-Generated Image Detection
• Title（参考訳）: 一般化可能なAI生成画像検出のための相対的パッチ応答学習
• Abstract要約: 信頼できる検出器は、目に見えない発電機に一般化し、野生の目に見えない摂動に頑健でいなければならない。 既存の検出器は通常、独立して収集された実画像と生成された画像、または、整列した実画像のペアで訓練される。 セルフアテンションによって、実際のパッチと生成されたパッチが相互作用できるので、各パッチの機能は、もはや自身のソースのみを反映しない。 各パッチをラベル付けする代わりに、PRLは、一致したペアの2つの混合ビューで同じパッチを比較し、そのパッチ応答、ビュー間のスコアの変化から学習する。
• 参考スコア（独自算出の注目度）: 31.350151670807083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models can now synthesize highly realistic images, simultaneously increasing the risks of misinformation and visual forgery. Therefore, detecting AI-generated images becomes more essential, and a reliable detector must generalize to unseen generators and stay robust to unseen perturbations in the wild. Existing detectors are typically trained on either independently collected real and generated images or aligned real-generated pairs designed to mitigate content bias. Building on aligned pairs, recent methods form a mixed view by replacing some patches of the real image with their generated counterparts. However, we find that self-attention lets real and generated patches interact, so the feature of each patch no longer reflects its own source alone. This contextual shift makes a per-patch source label an imprecise target. To this end, we propose Relative Patch Response Learning (PRL). Instead of labeling each patch, PRL compares the same patch across two mixed views of an aligned pair and learns from its patch response, the change of its score between the views. (i) To give precise supervision under the contextual shift, a relative response objective measures the responses of source-changed patches against those of source-unchanged patches, which respond to the shift alone. (ii) To provide a reliable reference for the shift, a reference coherence objective keeps each group of source-unchanged patches moving as a whole. (iii) Since the two views contain different amounts of generated content, an area ranking objective asks the view with the larger generated area to have a higher mean patch score. Extensive experiments demonstrate the superior performance of PRL, which surpasses the best prior methods by 4.3% and 5.9% in average balanced accuracy across eight standard and three in-the-wild benchmarks, respectively.
• Abstract（参考訳）: 生成モデルは、非常にリアルな画像を合成でき、同時に誤情報や視覚的偽造のリスクを増大させることができる。 したがって、AI生成画像の検出はより不可欠となり、信頼性の高い検出器は、見えない発電機に一般化し、野生の目に見えない摂動に頑健でいなければならない。 既存の検出器は通常、独立して収集された実画像と生成された画像、またはコンテンツバイアスを軽減するために設計された協調した実画像に基づいて訓練される。 整列ペア上に構築された最近の手法は、実際のイメージのパッチを生成されたパッチに置き換えることで、混合ビューを形成する。 しかし、セルフアテンションは、実際のパッチと生成されたパッチの相互作用を可能にするため、各パッチの特徴は、もはや自身のソースのみを反映していない。 このコンテキストシフトは、パッチごとのソースラベルを不正確なターゲットとする。 そこで我々は,相対的パッチ応答学習(PRL)を提案する。 各パッチをラベル付けする代わりに、PRLは、一致したペアの2つの混合ビューで同じパッチを比較し、そのパッチ応答、ビュー間のスコアの変化から学習する。 一 文脈変化による厳密な監視を行うため、相対的な応答目的は、ソース変更パッチに対するソース変更パッチの応答を計測し、それに対してのみ対応する。 (II) シフトに対する信頼性の高い参照を提供するため、参照コヒーレンス目的は、ソース変更されていないパッチの各グループを全体として移動させておく。 3)2つのビューは、生成したコンテンツの量が異なるため、エリアランキング目的は、より大きい生成した領域のビューにより高い平均パッチスコアを要求する。 PRLは、それぞれ8つの標準と3つのWildベンチマークの平均バランス精度を4.3%と5.9%で上回っている。

関連論文リスト

• Look Closer: Patch-wise Supervision for AI-Generated Image Detection [7.095365403752337]
  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。
  論文  参考訳（メタデータ） (2026-09-29T16:19:18Z)
• Independent Patch Verification for Coding Agents with a Bidirectional Reconstruct-and-Verify Framework [49.16055123488827]
  大規模言語モデルを利用したコーディングエージェントは、バグレポートから直接コードパッチを生成することができる。 報告された問題を真に解決するかどうかを独立に検証するメカニズムは存在しない。 本稿では,RETRACE をトレーニング不要なポストジェネレーション検証フレームワークとして提案する。
  論文  参考訳（メタデータ） (2026-08-09T22:59:13Z)
• When Eyes Betray AI: Social Gaze Consistency as a Semantic Cue for AI-Generated Image Detection [12.446807294893638]
  本稿では,視線方向の相互コヒーレンス,頭部アライメント,対人関係の瞳孔配置として定義された高レベルの意味的キューであるソーシャル・ゲイズ・コンシステンシーを紹介する。 既存の低レベルパラダイムに対して,これまで未利用であった検出軸を構成することを示す。 4ステップのアカウントでは、単一インパインター(FLUX.1-Fill)のトレーニングがマルチジェネレータスイートに移行した理由が説明されている。
  論文  参考訳（メタデータ） (2026-05-26T17:50:17Z)
• Beyond Frequency: Scoring-Driven Debiasing for Object Detection via Blueprint-Prompted Image Synthesis [97.37770785712475]
  オブジェクト検出のための世代ベースデバイアスフレームワークを提案する。 提案手法は,未表現オブジェクト群の性能ギャップを著しく狭める。
  論文  参考訳（メタデータ） (2025-10-21T02:19:12Z)
• 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)
• 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)
• Warp Consistency for Unsupervised Learning of Dense Correspondences [116.56251250853488]
  密接な対応を学習する上で重要な課題は、実画像対に対する地道整合の欠如である。 密な対応回帰のための教師なし学習目標であるWarp Consistencyを提案する。 私たちのアプローチは、MegaDepth、RobotCar、TSSなど、いくつかの挑戦的なベンチマークに新しい最先端を設定します。
  論文  参考訳（メタデータ） (2021-04-07T17:58:22Z)

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。