論文の概要: COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection

• arxiv url: http://arxiv.org/abs/2610.18034v1
• Date: Tue, 13 Oct 2026 09:23:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:40:59.544368
• Title: COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection
• Title（参考訳）: CompASS:汎用AIGI検出のためのコンテキストモーメント事前アライメント
• Abstract要約: 一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。 最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。 本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 87.91469665365304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalizable AI-generated image (AIGI) and deepfake detection remain challenging due to the asymmetry phenomenon, where adaptation to limited training distributions can degrade the transferable representations of Vision Foundation Models (VFMs). Recent subspace adaptation methods mitigate this issue by freezing high-magnitude principal components while adapting the residual subspace. However, such magnitude-based decomposition is data-agnostic and does not explicitly account for target-relevant semantics, potentially leading to semantic misalignment. We propose COMPASS (COntextual Moment Prior Alignment for Subspace Separation), a data-aware subspace adaptation framework that uses a small unlabeled Semantic Proxy Set to estimate target activation statistics. COMPASS incorporates activation covariance into the decomposition of pre-trained weights, preserving target-relevant representations as a stable semantic reference while the residual adapter learns forgery-related variations. The proxy calibration requires no gradient-based optimization. Extensive experiments demonstrate strong generalization across cross-dataset, cross-method, joint cross-dataset-method, and open-world cross-generator evaluations, achieving state-of-the-art performance on both Deepfake and AIGI detection benchmarks.
• Abstract（参考訳）: 一般化可能なAI生成画像(AIGI)とディープフェイク検出は、制限されたトレーニング分布への適応がVision Foundation Models(VFMs)の転送可能な表現を劣化させるという非対称性現象のため、依然として困難である。 最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。 しかし、このような大きさに基づく分解はデータに依存しず、ターゲット関連セマンティクスを明示的に説明していないため、セマンティクスのミスアライメントにつながる可能性がある。 CompASS (Contextual Moment Prior Alignment for Subspace Separation) は、小さなラベルのないセマンティックプロキシセットを用いて、ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークである。 CompASSは、アクティベーション共分散を事前訓練された重みの分解に組み込んで、ターゲット関連表現を安定なセマンティック参照として保存し、残りのアダプタは偽りに関連したバリエーションを学習する。 プロキシのキャリブレーションは勾配に基づく最適化を必要としない。 大規模な実験は、DeepfakeおよびAIGI検出ベンチマークの両方で最先端のパフォーマンスを達成するために、クロスデータセット、クロスメソッド、ジョイント・クロスデータセット・メソッド、およびオープンワールド・クロスジェネレータの評価を強固に一般化することを示した。

関連論文リスト

• Multimodal Foundation Models Adaptation based on Domain-Aware Relaxed Orthogonal Subspace for Remote Sensing [16.45880716714667]
  Domain-Aware Relaxed Orthogonal Subspace adaptation (DROS) DROSはデータ条件付きサブスペース学習と柔軟なサブスペース適応として低ランク適応を再構成する。 複数のリモートセンシングベンチマークの実験は、DROSが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-09-12T02:19:11Z)
• PL-SCEA: Reconfiguring Pretrained Attention for Few-Shot Industrial Anomaly Detection [2.4104933690855153]
  Vision Foundation Models (VFM) は、数発の産業異常検出のための転送可能なパッチ表現を提供する。 本稿では,凍結したVFMの注意を異常検出のタスク関連成分として再構成できるという仮説を考察する。 我々はこのアイデアをPL-SCEA(Power-Law Self-Correlation Enhanced Attention)でインスタンス化する。
  論文  参考訳（メタデータ） (2026-09-03T10:54:05Z)
• REAL-OW: Rehearsal-free Open World Object Detection with Low-Rank Adaptation and Dual-Stage Objectness Modeling [56.888597798431704]
  Open-World Object Detection (OWOD) では、未確認のオブジェクトを未知のものとして識別し、それを既知のカテゴリのセットにインクリメンタルに組み込む必要がある。 既存のフレームワークは、破滅的な忘れを緩和するために、模範的なリプレイに大きく依存しているが、実際のアプリケーションでは、データアクセス制限との生データ競合を保存し、データ露出のリスクをもたらす。 協調的なアダプタアーキテクチャを通じて段階的な知識を分離する新しいリハーサルフリーフレームワークであるREAL-OWを提案する。
  論文  参考訳（メタデータ） (2026-07-03T06:38:54Z)
• GRASP: Geometry-aware Residual Alignment for Scalable Pretraining Data Attribution [5.770893169582546]
  この研究は、属性をサブセットレベルの反事実的ユーティリティ予測として再定義する。 相互作用を意識したサロゲートであるGRASPを紹介する。 それは、既存のスケーラブルなベースラインを決定的に上回る。
  論文  参考訳（メタデータ） (2026-06-05T04:17:50Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
  IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。 本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T14:36:46Z)
• AdaptOVCD: Training-Free Open-Vocabulary Remote Sensing Change Detection via Adaptive Information Fusion [17.998110109161683]
  AdaptOVCDは2次元多層情報融合に基づく学習自由なOpen-Vocabulary Change Detectionアーキテクチャである。 このフレームワークは、データ、特徴、決定レベルを垂直にまたいだ多層情報融合を統合し、ターゲットとする適応設計を水平に取り入れる。 クロスデータセット評価における完全教師付きパフォーマンス上限の84.89%を達成し、優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2026-02-06T09:30:23Z)

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。