論文の概要: The Search for Statistical Indistinguishability Between Real and Fake Images

• arxiv url: http://arxiv.org/abs/2610.39014v1
• Date: Wed, 28 Oct 2026 22:43:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.429974
• Title: The Search for Statistical Indistinguishability Between Real and Fake Images
• Title（参考訳）: 実画像と偽画像の統計的識別可能性の探索
• Abstract要約: 生成モデルによって生成された画像は、実際のものと著しく似ている。 私たちはディープニューラルネットワークをトレーニングして、実際のデータをフェイクから切り離し、彼らのテスト精度を観察します。 ほとんどすべての抽象化は、偽のデータを現実と区別できないものにすることができない。
• 参考スコア（独自算出の注目度）: 12.666197614366112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Images produced by generative models appear strikingly similar to real ones. In this work, we study whether perfection has been reached by generated content in terms of matching the properties of real data. We train deep neural networks to separate real data from fake and observe their test accuracies. Only a chance performance has any scope of proving statistical indistinguishability. However, since generative models are known to sometimes introduce small errors, e.g., low level checkerboard artifacts, we create progressive abstractions of the original real/fake images to potentially bring them to a space where those artifacts get wiped away. These include operations such as blurring, downsizing, cropping, converting RGB images into edge/semantic maps, etc. To our surprise, almost none of the abstractions are able to make fake data indistinguishable from real. The only cases when neural network based classifiers fail to separate the two categories is when the data is abstracted to such an extent that the original content seems mostly lost to the human eye, e.g., downsizing a $256 \times 256$ RGB image of human face to $4 \times 4$ resolution. We observe this trend across four different datasets of varying complexity (MNIST, CelebA, FFHQ and GenImage) and across various types of generative models (GANs, VAEs, diffusion models). This shows that the nature of fake artifacts extends all the way from low level to very high level in images. The simple implication is that fake images are much more different from real than we are used to think.
• Abstract（参考訳）: 生成モデルによって生成された画像は、実際のものと著しく似ている。 本研究は,実データの特性に適合する点において,生成したコンテンツによって完全性が達成されたかどうかを考察する。 私たちはディープニューラルネットワークをトレーニングして、実際のデータをフェイクから切り離し、彼らのテスト精度を観察します。 統計的不明瞭性を証明できるのは、偶然のパフォーマンスのみである。 しかし、生成モデルは小さなエラー(例えば、低レベルのチェッカーボードアーティファクト)を導入することが知られているため、元の実像やフェイク画像のプログレッシブな抽象化を作成して、それらのアーティファクトが消去される空間に持ってくる可能性がある。 これには、ぼやけたり、縮小したり、トリミングしたり、RGB画像をエッジ/セマンティックマップに変換するといった操作が含まれる。 驚いたことに、抽象化されたデータのほとんどは、偽のデータを現実と区別できないものにすることはできません。 ニューラルネットワークベースの分類器が2つのカテゴリを区別できない唯一のケースは、オリジナルのコンテンツが人間の目にほとんど失われているような程度に抽象化された場合である。 この傾向は、様々な複雑さの4つのデータセット(MNIST、CelebA、FFHQ、GenImage)と、様々な種類の生成モデル(GAN、VAE、拡散モデル)で観察される。 これは、偽のアーティファクトの性質が、画像の低レベルから非常に高いレベルまで広がることを示している。 単純な意味は、偽のイメージは私たちが思っていたよりも現実とずっと異なるということだ。

関連論文リスト

• Deepfake Detection of Face Images based on a Convolutional Neural Network [0.0]
  フェイクニュース、特にディープフェイク(非リアルな画像やビデオコンテンツ)は、ここ数年で深刻な話題になっている。 我々は、人間の肖像画を映し出した、このような生成および偽画像を検出するために、畳み込みニューラルネットワークに基づくモデルを構築したい。
  論文  参考訳（メタデータ） (2025-03-14T13:33:22Z)
• Aligned Datasets Improve Detection of Latent Diffusion-Generated Images [28.68129042301801]
  優れた検出器は、セマンティックコンテンツ、解像度、ファイルフォーマットなどの画像特性を無視しながら、生成モデル指紋に焦点を当てるべきである。 この研究では、これらのアルゴリズムの選択に加えて、堅牢な検出器をトレーニングするためには、リアル/フェイク画像の整列したデータセットも必要である、と論じる。 そこで本研究では, LDMの家族に対して, LDMのオートエンコーダを用いて実画像の再構成を行う手法を提案する。
  論文  参考訳（メタデータ） (2024-10-15T17:58:07Z)
• On quantifying and improving realism of images generated with diffusion [50.37578424163951]
  与えられた画像の5つの統計的測度から算出した画像リアリズムスコア(IRS)と呼ばれるメトリクスを提案する。 IRSは、与えられた画像を実または偽のものとして分類する手段として容易に利用できる。 我々は,安定拡散モデル (SDM) , Dalle2, Midjourney, BigGAN による偽画像の検出に成功して,提案したIRSのモデルおよびデータに依存しない性質を実験的に確立した。 このデータセットは、高品質の4つのモデルによって生成される100のクラスに対して1,000のサンプルを提供します。
  論文  参考訳（メタデータ） (2023-09-26T08:32:55Z)
• The Change You Want to See (Now in 3D) [65.61789642291636]
  本稿の目的は、同じ3Dシーンの2つの「野生」画像の間で何が変わったかを検出することである。 我々は,全合成データに基づいて学習し,クラスに依存しない変化検出モデルに貢献する。 我々は,人間に注釈を付けた実世界のイメージペアによる評価データセットを新たにリリースした。
  論文  参考訳（メタデータ） (2023-08-21T01:59:45Z)
• Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
  近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。 我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
  論文  参考訳（メタデータ） (2023-04-02T10:25:09Z)
• Learning to See by Looking at Noise [87.12788334473295]
  簡単なランダムなプロセスから画像を生成する一連の画像生成モデルについて検討する。 これらは、対照的な損失を伴う視覚表現学習者のトレーニングデータとして使用される。 以上の結果から,実データの構造的特性を捉えることはノイズにとって重要であるが,現実的ではないプロセスでも良好な性能が達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-06-10T17:56:46Z)
• What makes fake images detectable? Understanding properties that generalize [55.4211069143719]
  深層ネットワークは、博士画像の微妙なアーティファクトを拾い上げることができる。 我々は、偽画像のどの特性が検出可能かを理解することを模索する。 検出可能な特性を誇張する手法を示す。
  論文  参考訳（メタデータ） (2020-08-24T17:50:28Z)
• FDFtNet: Facing Off Fake Images using Fake Detection Fine-tuning Network [19.246576904646172]
  本稿では,FaketNetと呼ばれる,軽量な微調整ニューラルネットワークアーキテクチャを提案する。 提案手法は,偽画像の検出を効果的に行うための微調整のために,数枚の画像のみを用いて,人気のある事前学習モデルを再利用することを目的としている。 我々の tNet は GANs ベースのデータセットから生成された偽画像の総合的精度 9029% を達成する。
  論文  参考訳（メタデータ） (2020-01-05T16:04:17Z)

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。