論文の概要: Tricking Synthetic Image Detectors with Amortized Generative Attacks

• arxiv url: http://arxiv.org/abs/2610.25554v1
• Date: Sun, 18 Oct 2026 21:49:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 13:29:51.270051
• Title: Tricking Synthetic Image Detectors with Amortized Generative Attacks
• Title（参考訳）: Amortized Generative Attacks を用いた合成画像検出器の試作
• Abstract要約: 我々はMIGとMuMoDIGの3つの代表的な攻撃の体系的評価を行う。 我々は、攻撃の有効性、クロス検出器転送性、知覚的品質、実行時、および一般的な後処理操作との相互作用を評価する。 コード、評価データ、トレーニングされたアタックモデルを、責任ある使用声明でリリースします。
• 参考スコア（独自算出の注目度）: 6.674626403283128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid advances in image synthesis have increased the need for reliable synthetic-image detectors, yet their robustness to transferable attacks remains incomplete and understudied. Existing evaluations generally examine whether an attack constructed against one detector transfers to another, but rarely isolate how its effectiveness changes when the attacked images originate from different generators. We conduct a systematic evaluation of three representative attacks: two iterative perturbation-based methods, MIG and MuMoDIG, and the amortized generative attack Tricker. Across four detectors and five generators spanning diverse architectures, we introduce a two-axis evaluation protocol that independently varies the surrogate detector used to construct or train the attack and the generator supplying its input images. We assess attack effectiveness, cross-detector transferability, perceptual quality, runtime, and interaction with common post-processing operations. We revisit Tricker and show that its data and training requirements can be substantially reduced, enabling broader and more efficient evaluation. Our results demonstrate that transferability is not a detector-only property: the input-generator distribution strongly influences both evasion effectiveness and attacked-image quality. MIG and MuMoDIG exhibit pronounced dependence on the detector--generator pair, whereas Tricker provides more uniform white-box evasion and image quality. We additionally observe that post-processing maintains the asymmetric transferability topology. These findings expose a neglected dimension of attack evaluation and motivate transfer-aware protocols that jointly account for detector and generator variation. We will release our code, evaluation data, and trained attack models with a responsible-use statement.
• Abstract（参考訳）: 画像合成の急速な進歩は、信頼性の高い合成画像検出器の必要性を高めたが、転送可能な攻撃に対する堅牢性は不完全であり、未検討のままである。 既存の評価は、ある検出器に対して構築された攻撃が別の検出器に転送されるかどうかを概ね検証するが、攻撃された画像が異なる発電機から発生した時にその効果がどのように変化するかは、まれである。 我々は,2つの反復摂動法,MIGとMuMoDIGの3つの代表的な攻撃の系統的評価を行った。 4つの検出器と5つのジェネレータが多様なアーキテクチャにまたがる2軸評価プロトコルを導入し,攻撃構築や訓練に用いるサロゲート検出器と,その入力画像の供給を行うジェネレータを独立に変更した。 我々は、攻撃の有効性、クロス検出器転送性、知覚的品質、実行時、および一般的な後処理操作との相互作用を評価する。 Trickerを再検討し、データとトレーニングの要件が大幅に削減され、より広範囲で効率的な評価が可能になることを示す。 入力・ジェネレータ分布は, 回避効果と攻撃画像品質の両方に強く影響を及ぼす。 MIGとMuMoDIGは検出器・ジェネレーター対に大きく依存しているが、Trickerはより均一なホワイトボックス回避と画像品質を提供する。 さらに, 後処理が非対称移動可能性トポロジーを維持することを観察する。 これらの結果は、検知器と発電機の変動を共同で考慮した、攻撃評価の無視された次元と、移動対応プロトコルのモチベーションを明らかにした。 コード、評価データ、トレーニングされたアタックモデルを、責任ある使用声明でリリースします。

関連論文リスト

• Training-Free Reconstruction-Based AI-Generated Image Detectors Are Inherently Vulnerable to Adversarial Examples [12.763640037752666]
  本稿では,オートエンコーダの再構成誤差を利用した2つの新しい攻撃手法を提案する。 認識不能な対数例を構築することで,オリジナルと再構成の距離を人工的に増大させることができることがわかった。 本評価は,攻撃画像が実世界の劣化を加味しても検出性能は著しく低下していることを示す。
  論文  参考訳（メタデータ） (2026-08-17T14:45:53Z)
• TIGA: Trajectory-Injected Generative Attack against Black-box AIGC Detectors [76.4118981404995]
  Trajectory-Injected Generative Attack (TIGA) は、検出器回避画像を生成する、ソースフリーでトレーニング可能なフリーフレームワークである。 TIGAはDDIM(Laint Denoising Diffusion Implicit Model)の軌道を制御し、生成中に対向特性が出現するようにしている。 TIGAは、共通の後処理操作下で、強力なブラックボックス攻撃性能、転送性、高ロバスト性を実現する。
  論文  参考訳（メタデータ） (2026-07-28T15:51:39Z)
• Non-Parametric Machine Text Detection via Multi-View Gaussian Processes [7.608133101747672]
  文書は複数の補完的な信号を持ち、それを抑える攻撃は他人をそのままにしておく。 同じ文書から補完的な特徴ビューを抽出する多視点非パラメトリック検出フレームワークを提案する。 見解にまたがって証拠を集約することにより、敵は同時に複数の独立した検出軸を倒さなければならない。
  論文  参考訳（メタデータ） (2026-06-12T03:11:25Z)
• Fragile Reconstruction: Adversarial Vulnerability of Reconstruction-Based Detectors for Diffusion-Generated Images [32.470971087318695]
  本研究は,4つの異なる生成バックボーンモデルにおける3つの代表検出器の対向ロバスト性について,系統的評価を行った。 我々は、ホワイトボックスシナリオにおける敵攻撃を構築し、十分に訓練された全ての検出器の性能を低下させる。 また、ある検出器に対する攻撃を他の検出器に転送することもでき、検出器に対する敵攻撃もブラックボックスの設定で構築できることを示す。
  論文  参考訳（メタデータ） (2026-04-14T14:17:51Z)
• ForensicsSAM: Toward Robust and Unified Image Forgery Detection and Localization Resisting to Adversarial Attack [56.0056378072843]
  高い転送性を持つ逆画像は上流モデルでのみ作成可能であることを示す。 本稿では,IFDLフレームワークを組み込んだForensicsSAMを提案する。
  論文  参考訳（メタデータ） (2025-08-10T16:03:44Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• Vulnerabilities in AI-generated Image Detection: The Challenge of Adversarial Attacks [39.524974831780874]
  FPBAはブラックボックス攻撃を成功させることができるので、敵攻撃はAIGI検出器にとって真の脅威であることを示す。 我々はこの手法を周波数ベースのポストトレインベイズアタック (FPBA) と呼ぶ。
  論文  参考訳（メタデータ） (2024-07-30T14:07:17Z)
• Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
  多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。 我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-18T11:36:42Z)

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。