論文の概要: Generalizable AI-Generated Image Detection with Embedding-Space Explanations

• arxiv url: http://arxiv.org/abs/2611.04111v1
• Date: Tue, 03 Nov 2026 00:38:54 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:29:15.870425
• Title: Generalizable AI-Generated Image Detection with Embedding-Space Explanations
• Title（参考訳）: 埋め込み空間説明を用いた一般化可能なAI生成画像検出
• Abstract要約: AI生成画像は前例のないリアリズムに達し、命令駆動型AIエディタは局所的な変化のためにイメージを再合成し、局所的な境界は残っていない。 ほとんどの検出器は、検証不可能な判定と、検出分布にバックボーンを適応させることで、すぐに時代遅れになるジェネレータ固有の指紋を記憶するため、ブラックボックスであり、一般化が不十分である。 我々は、まずDINOv3検出器を構築、ロックし、次にその表現を使って、軽量なVLMを法医学的な説明へと導くFOXを紹介する。
• 参考スコア（独自算出の注目度）: 14.610065023365124
• License:
• Abstract: AI-generated images have reached unprecedented realism, while instruction-driven AI editors re-synthesize images for local changes, leaving no splice boundary to localize. Most detectors are black boxes with unverifiable verdicts and generalize poorly because adapting a backbone on the detection distribution memorizes generator-specific fingerprints that quickly become obsolete. Specialist detectors built on pure-vision representations, particularly DINOv3, generalize well across generators, but explainable methods forgo this advantage: jointly training one multimodal model for classification and language generation subjects its visual representation to the language objective. We therefore require that explanation training cannot alter the verdict. We introduce FOX, which first builds and locks a specialist DINOv3 detector, then uses its representation to guide a lightweight VLM toward forensic explanation. A joint-embedding predictor maps locked visual evidence into a frozen text encoder's semantic space, producing guidance that the VLM verbalizes on demand. FOX achieves 97.4 mean AUC across 14 unseen generators, 69.8 BERTScore on XPlainVerse, and 56.1 on LOKI.
• Abstract（参考訳）: AI生成画像は前例のないリアリズムに達し、命令駆動型AIエディタは局所的な変化のためにイメージを再合成し、局所的な境界は残っていない。 ほとんどの検出器は、検証不可能な判定と、検出分布にバックボーンを適応させることで、すぐに時代遅れになるジェネレータ固有の指紋を記憶するため、ブラックボックスであり、一般化が不十分である。 純粋視覚表現、特にDINOv3に基づいて構築された特殊検出器は、ジェネレータ間でよく一般化するが、この利点を生かすための説明可能な方法である: 分類と言語生成のための1つのマルチモーダルモデルを共同で訓練し、言語目的に対する視覚的表現を訓練する。 したがって、我々は、説明訓練は評決を変えることができないことを要求している。 我々は、まずDINOv3検出器を構築、ロックし、次にその表現を使って、軽量なVLMを法医学的な説明へと導くFOXを紹介する。 共同埋め込み予測器は、ロックされた視覚的証拠を凍結されたテキストエンコーダのセマンティック空間にマッピングし、VLMが要求に応じて言語化するガイダンスを生成する。 FOXは14個の未確認発電機で97.4の平均AUC、XPlainVerseで69.8BERTScore、LOKIで56.1を達成する。

関連論文リスト

• MSU Team at the Explainable Deepfake Detection Challenge 2026: Grounded Artifact Evidence for Deepfake Detection [40.462088181739695]
  XPlainVerse データセットの Explainable Deepfake Detection Challenge に提案する。 そこで本研究では,複数のDINOv3モデルとMesorch操作局所化機能を組み合わせたマルチバックボーン検出器を構築した。 言語出力には、クラス条件付きQwen3-VLモデルを用いて、偽および実予測のための複雑な説明を生成する。
  論文  参考訳（メタデータ） (2026-10-07T12:30:04Z)
• SEED: Simple ViT and Evolving Harness for Explainable Text Forgery Detection [20.95071534060867]
  ACM MM 2026のGenText-Forensics Challengeでは、検出、ピクセルレベルのローカライゼーション、多言語テキスト中心の画像偽造の自然言語説明の統合といった、構造化された法医学的なレポートが求められている。 3つのコンポーネントを持つモジュールシステムであるSEEDを提案する。 まず、類似性誘導パイプラインは、多様な合成フォージェリーによるトレーニングを増強する。 第二に、DINOv3上にLoRAを適応させて構築された単一のViTは、最小限のトレーニング可能なパラメータでトレーニング済みの事前保存をしながら、検出とピクセルレベルのローカライゼーションを共同で行う。 第三に、進化するハーネスは検出器の予測を受け取り、MLを介して完全な法医学レポートを生成する。
  論文  参考訳（メタデータ） (2026-06-19T06:22:49Z)
• DisDop: Distillation with Domain Priors for Open-Vocabulary Aerial Object Detection [75.11656789221072]
  リモートセンシング基礎モデルからマルチレベルドメインを抽出する統合フレームワークであるDisDopを提案する。 DisDopは、オープンボキャブラリ空中検出ベンチマーク上で、最先端のパフォーマンスを新たに実現している。
  論文  参考訳（メタデータ） (2026-05-23T16:01:20Z)
• When Detectors Forget Forensics: Blocking Semantic Shortcuts for Generalizable AI-Generated Image Detection [48.75021863792367]
  Vision Foundation Models (VFMs, emphe.g., CLIP) は、しばしば目に見えない生成パイプラインを使って生成された画像に一般化するのに苦労する。 textbfGeometric Semantic Decoupling (GSD)を提案する。 GSDはバッチワイズ統計から意味論的方向を推定し、幾何学的制約によってそれらを投影し、アーティファクト検出器は意味論的不変な法医学的証拠に依存するように強制する。
  論文  参考訳（メタデータ） (2026-03-10T06:16:35Z)
• Universal Anti-forensics Attack against Image Forgery Detection via Multi-modal Guidance [22.94094331220455]
  ForgeryEraserは、ターゲットのAIGC検出器にアクセスすることなく、普遍的な反法医学攻撃を実行するように設計されたフレームワークである。 ForgeryEraserは、グローバルな合成と局所的な編集ベンチマークにおいて、高度なAIGC検出器に大幅な性能劣化を引き起こすことを示す。
  論文  参考訳（メタデータ） (2026-02-06T09:32:10Z)
• Explainable Detection of AI-Generated Images with Artifact Localization Using Faster-Than-Lies and Vision-Language Models for Edge Devices [0.0]
  本稿では、軽量な畳み込み分類器("Faster-Than-Lies")と視覚言語モデル(Qwen2-VL-7B)を組み合わせた説明可能な画像の真正性検出システムを提案する。 我々のモデルは、敵の摂動を付加した拡張CiFAKEデータセットの96.5%の精度を実現し、ローカルデバイスやエッジデバイスへのデプロイを可能にした。 この研究は、低解像度画像における解釈可能な真正性検出のための視覚的推論と言語学的推論を組み合わせる可能性を強調し、法医学、産業検査、ソーシャルメディアのモデレーションにおける潜在的なクロスドメイン応用を概説する。
  論文  参考訳（メタデータ） (2025-10-27T19:01:24Z)
• Diversity Boosts AI-Generated Text Detection [51.56484100374058]
  DivEyeは、予備的な機能を使って、予測不可能がテキスト間でどのように変動するかをキャプチャする、新しいフレームワークである。 提案手法は、既存のゼロショット検出器を最大33.2%向上させ、微調整ベースラインとの競合性能を達成する。
  論文  参考訳（メタデータ） (2025-09-23T10:21:22Z)
• LLMs Meet VLMs: Boost Open Vocabulary Object Detection with Fine-grained Descriptors [58.75140338866403]
  DVDetはディスクリプタ強化オープン語彙検出器である。 局所埋め込みをイメージライクな表現に変換することで、一般的なオープンな語彙検出トレーニングに直接統合することができる。 複数の大規模ベンチマークに対する大規模な実験により、DVDetは最先端技術よりも大きなマージンで一貫して優れていたことが示されている。
  論文  参考訳（メタデータ） (2024-02-07T07:26:49Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)

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。