論文の概要: Can We Use Saliency Maps for the Evaluation of Generative Image Models?

• arxiv url: http://arxiv.org/abs/2610.23411v1
• Date: Fri, 16 Oct 2026 13:05:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.918854
• Title: Can We Use Saliency Maps for the Evaluation of Generative Image Models?
• Title（参考訳）: 画像生成モデルの評価に空力マップを利用できるか?
• Abstract要約: 我々は、与えられたモデルによって生成されたサンプルと実際の画像とを区別するために、ジェネレータ固有の分類器を訓練する。 分類精度と相性情報を組み合わせることで,人間の判断に合わせた総合スコアを得る。
• 参考スコア（独自算出の注目度）: 2.0625902852025653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evaluating generative image models remains challenging, as commonly used metrics depend on fixed pretrained feature extractors optimized for different tasks that do not always align with human realism perception across datasets and model families. To address this limitation, we investigate a human-inspired evaluation framework that avoids representations learned for unrelated tasks. Specifically, we train a generator-specific classifier to distinguish real images from samples produced by a given model and analyze its decisions using saliency maps. Across diverse benchmarks, we observe that these classifiers learn generator-specific artifacts rather than a universal notion of "fakeness", exhibiting strong accuracy and limited cross-generator transfer. This makes saliency analysis particularly informative: the resulting attribution maps highlight visual cues and structural irregularities characteristic of each model's outputs. By combining classification accuracy and saliency information, we obtain a composite score aligned with human judgments, without relying on large pretrained backbones and using only real and generated samples from the evaluated model.
• Abstract（参考訳）: 一般的に使用されるメトリクスは、データセットやモデルファミリー間での人間のリアリズム知覚と常に一致しない、異なるタスクに最適化された固定された事前訓練された特徴抽出器に依存するため、生成的画像モデルの評価は依然として困難である。 この制限に対処するために,無関係なタスクに対して学習した表現を避けるための人為的な評価フレームワークについて検討する。 具体的には、生成元固有の分類器を訓練し、与えられたモデルによって生成されたサンプルと実際の画像を区別し、その決定を唾液マップを用いて分析する。 多様なベンチマークにおいて、これらの分類器は「フェイクネス」という普遍的な概念ではなく、生成物固有のアーティファクトを学習し、高い精度と限られたクロスジェネレータ転送を示す。 結果として得られた帰属地図は、各モデルの出力の特徴である視覚的手がかりと構造的不規則性を強調している。 分類精度と相性情報を組み合わせることで,評価モデルから得られた実データと実データのみを用いて,事前学習したバックボーンに頼らずに,人間の判断に合わせた総合スコアを得る。

関連論文リスト

• Unraveling Hidden Representations: A Multi-Modal Layer Analysis for Better Synthetic Content Forensics [4.910937238451485]
  悪意のあるユーザーは 合成メディアを利用して 偽情報を広め ディープフェイクを広める 堅牢で安定した偽の検知器の必要性は、特に新しい生成モデルが毎日現れるとき、強く迫っている。 本稿では,大規模な事前学習型マルチモーダルモデルを用いて生成物を検知する手法を提案する。
  論文  参考訳（メタデータ） (2025-08-01T17:07:00Z)
• DDB: Diffusion Driven Balancing to Address Spurious Correlations [24.940576844328408]
  経験的リスク最小化でトレーニングされたディープニューラルネットワークは、アウト・オブ・ディストリビューションのサンプルに一般化できないことが多い。 テキストと画像の拡散モデルを用いたトレーニングサンプルを生成するための拡散駆動バランス(DDB)手法を提案する。 実験の結果,本手法は既存の最先端手法よりもグループ精度がよいことがわかった。
  論文  参考訳（メタデータ） (2025-03-21T15:28:22Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
  本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。 逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。 我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
  論文  参考訳（メタデータ） (2024-06-19T08:07:14Z)
• Exposing flaws of generative model evaluation metrics and their unfair treatment of diffusion models [14.330863905963442]
  生成モデルの全体的な性能、忠実度、多様性、希少性、記憶度を評価するための17の現代的な指標を比較した。 ヒトが判断する拡散モデルの最先端の知覚現実性は、FIDのような一般的に報告されている指標には反映されない。 次に、データ記憶の研究を行い、生成モデルは、CIFAR10のような単純で小さなデータセットでトレーニング例を記憶するが、ImageNetのようなより複雑なデータセットでは必ずしも記憶しない。
  論文  参考訳（メタデータ） (2023-06-07T18:00:00Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Probabilistic Tracking with Deep Factors [8.030212474745879]
  因子グラフに基づく確率的追跡フレームワークにおける特徴量に対する生成密度と組み合わせたディープ・フィーチャー・エンコーディングの使い方を示す。 本稿では,学習した特徴エンコーダと生成密度を組み合わせる可能性モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-02T21:31:51Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。