論文の概要: WildFakeToolBench: Benchmarking AI-Generated Image Detectors with Web-Sourced Image Processing

• arxiv url: http://arxiv.org/abs/2610.31152v1
• Date: Thu, 22 Oct 2026 12:09:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.36874
• Title: WildFakeToolBench: Benchmarking AI-Generated Image Detectors with Web-Sourced Image Processing
• Title（参考訳）: WildFakeToolBench: Webソースイメージ処理によるAI生成イメージ検出器のベンチマーク
• Abstract要約: 悪意のあるアクターは、特定の知識や結果のツールのローカルGPU実行を必要とせずに、そのような情報を使用して検出を回避できる。 textscWildFakeToolBenchは、142ドルのドメインにわたる220ドルのパブリックソースから派生した、実行可能な画像処理ツールのベンチマークスイートです。 5つのジェネレータから生成した105ドルの画像に対して、収集されたベンチのツールによって処理された画像を用いて6つの最先端検出器を評価し、それらのリスクに対する有効性を評価する。
• 参考スコア（独自算出の注目度）: 8.055494129113322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As AI generated images are getting popular these days, discussions on such generations are widely existed in current public forums, software repositories, and photography tutorials. Moreover, with the help of LLM-assisted code translation, malicious actors can adopt such information to evade detectors without specialized knowledge or local GPU execution of the resulting tools. To evaluate such risks, we introduce \textsc{WildFakeToolBench}, a benchmark suite of $156$ executable image-processing tools derived from $220$ public sources across $142$ domains. Each tool retains its source evidence and passes syntax, execution, and output-distortion checks without using feedback from the evaluated detectors. On $105$ generated images from five generators, we evaluate six state-of-the-art detectors with images processed by the tools in our collected bench to assess their effectiveness against such in-the-wild risks. The strongest individual tools achieve attack success rates of $25.25\%$--$100\%$ across detectors, exceeding the strongest of six selected image-processing baselines for each detector. Evaluating subsets of an eight-tool pool yields worst-case coverage above $80\%$ for every detector. Effectiveness is sparse and detector-specific: high coverage across candidates does not imply reliable one-shot evasion. These findings not only highlight the potential of such web-sourced risks, but also show the potential on establishing AI-image detector robustness evaluation framework based on those in-the-wild information.
• Abstract（参考訳）: AI生成イメージが最近人気になっているため、そのような世代に関する議論は、現在のパブリックフォーラム、ソフトウェアリポジトリ、写真チュートリアルで広く行われている。 さらに、LLM支援コード翻訳の助けを借りて、悪意のあるアクターはそのような情報を使用して、特別な知識や結果のツールのローカルGPU実行を必要とせずに検出を回避できる。 このようなリスクを評価するために、122ドルのドメインにまたがる220ドルのパブリックソースから派生した、156ドルの実行可能な画像処理ツールのベンチマークスイートである \textsc{WildFakeToolBench} を紹介した。 各ツールは、元のエビデンスを保持し、評価された検出器からのフィードバックを使わずに、構文、実行、出力歪みチェックをパスする。 5つのジェネレータから生成した105ドルの画像に対して、収集されたベンチのツールによって処理された画像を用いて6つの最先端検出器を評価し、それらのリスクに対する有効性を評価する。 最も強力な個々のツールは、検出器全体で25.25\%--100\%の攻撃成功率を達成し、各検出器に対して選択された6つの画像処理ベースラインよりも高い。 8ツールプールのサブセットを評価すると、すべての検出器に対して80\%以上の最悪のケースカバレッジが得られる。 有効性は希少で検出器固有のものであり、候補をまたいだ高いカバレッジは、信頼できるワンショット回避を暗示しない。 これらの知見は、これらのWebソースによるリスクの可能性を浮き彫りにするだけでなく、その情報に基づいて、AIイメージ検出ロバストネス評価フレームワークを確立する可能性も示している。

関連論文リスト

• FACT: A Forensic Agent with Compiled Tool-Use Trajectories for AI-Generated Image Detection [29.12198821643909]
  FACTは、法医学的分析のための画像条件付きツール利用ポリシーを学習する。 どの法医学ツールを呼び出すかを決定し、返却された証拠を解釈し、十分な証拠が収集されたときに停止する。
  論文  参考訳（メタデータ） (2026-09-05T04:39:49Z)
• 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)
• Evaluating Deepfake Detectors in the Wild [0.0]
  本研究では,最新のディープフェイク検知装置の評価を行い,実世界のシナリオを模倣してディープフェイク検出を行う新しいテスト手法を提案する。 我々の分析によると、ディープフェイクの検出は依然として難しい課題である。 JPEG圧縮や画像強調などの基本的な画像操作は、モデルの性能を著しく低下させる。
  論文  参考訳（メタデータ） (2025-07-29T15:17:00Z)
• RAID: A Dataset for Testing the Adversarial Robustness of AI-Generated Image Detectors [57.81012948133832]
  本稿では,72kの多種多様かつ高い変換可能な対向例からなるRAID(Robust Evaluation of AI- generated Image Detectors)を提案する。 提案手法は,未知の検出器に高い成功率で転送する逆画像を生成する。 以上の結果から,現在最先端のAI生成画像検出器は,敵の例によって容易に認識できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-04T14:16:00Z)
• 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)

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。