論文の概要: From Pixels to Prompts: Physics-Guided Language Enhancement for AI-Generated Image Detection
- arxiv url: http://arxiv.org/abs/2611.14898v1
- Date: Wed, 11 Nov 2026 01:35:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.976611
- Title: From Pixels to Prompts: Physics-Guided Language Enhancement for AI-Generated Image Detection
- Title(参考訳): ピクセルからプロンプトへ:AI生成画像検出のための物理誘導言語拡張
- Abstract要約: 自然画像とAI生成画像とを区別するために,どの固有の物理画像特性が安定した識別手段を提供するかを検討する。
まず、20以上の生成モデルから画像間で15個の手作りの物理記述子を解析する。
ラプラシアン変分、ソベル統計、残留雑音変分を含む5つの中核的特徴は、構造化されたテキスト記述を構築するために使用される。
我々の方法は、SDv1.4で99.0パーセント、Wukongで96.7%の精度を達成し、8つの生成モデルで平均97.23パーセント、C2pCLIPで平均95.8%を達成している。
- 参考スコア(独自算出の注目度): 2.6796240631201607
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: AI-generated content (AIGC) has substantially narrowed the visual gap between natural and synthetic images, while existing detectors often rely on generator-specific artifacts and exhibit limited generalization to unseen models. This motivates a fundamental question: which intrinsic physical image characteristics provide stable, discriminative cues for distinguishing natural from AI-generated images? We investigate this by systematically identifying robust physical features and incorporating them into a vision-language representation without external textual prompts at inference. We first analyze 15 handcrafted physical descriptors across images from over 20 generative models. Based on cross-generator stability and real-fake discriminability, we propose a Feature Stability-Discriminability Validation Assessment (FSDVA) to select a compact set of reliable features. Five core features, including Laplacian variance, Sobel statistics, and residual-noise variance, are then used to construct structured textual descriptions encoding physical evidence for CLIP-based learning. We integrate these physics-enriched descriptions with image representations via a native physics-guided multimodal framework, adapting CLIP ViT-L 14 with LoRA. At inference, the model requires only the input image, with no external captions or manual prompts. On GenImage, our method achieves 99.0 percent accuracy on SDv1.4 and 96.7 percent on Wukong, with a mean of 97.23 percent across eight generative models versus 95.8 percent for C2pCLIP under the same setting. On UniversalFakeDetect, it maintains strong, stable generalization across diverse and unseen generation settings. These results show that carefully selected physical image statistics provide complementary forensic evidence to pretrained vision-language representations, enabling interpretable, more generator-agnostic AIGC detection.
- Abstract(参考訳): AIGCは、自然画像と合成画像の間の視覚的ギャップを著しく狭め、既存の検出器は、しばしばジェネレータ固有のアーティファクトに依存し、目に見えないモデルに限定的な一般化を示す。
自然とAI生成した画像を区別するために、本質的な物理的特徴が安定的で差別的な手がかりを提供するのか?
本研究では、頑健な物理的特徴を体系的に同定し、推論時に外部のテキストプロンプトを含まない視覚言語表現に組み込むことにより、これを考察する。
まず、20以上の生成モデルから画像間で15個の手作りの物理記述子を解析する。
本稿では, クロスジェネレータの安定性とリアルタイム識別性に基づいて, 信頼性のある特徴のコンパクトなセットを選択するための特徴安定性-識別可能性検証(FSDVA)を提案する。
ラプラシアン変分、ソベル統計、残留雑音変分を含む5つの中核的特徴は、CLIPに基づく学習の物理的証拠を符号化した構造化テキスト記述を構築するために使用される。
我々はこれらの物理に富んだ記述を、ネイティブな物理誘導型マルチモーダルフレームワークを通じて画像表現と統合し、CLIP ViT-L 14をLoRAに適応させる。
推論では、モデルは入力画像のみを必要とし、外部のキャプションや手動のプロンプトは不要である。
GenImageでは、SDv1.4で99.0パーセント、Wukongで96.7%の精度を達成し、8つの生成モデルで97.23パーセント、同じ設定でC2pCLIPで95.8%である。
UniversalFakeDetectでは、多様な、目に見えない生成設定にわたって、強力で安定した一般化を維持している。
これらの結果は、慎重に選択された物理画像統計が、事前訓練された視覚言語表現に相補的な法医学的証拠を提供し、解釈可能で、よりジェネレータに依存しないAIGC検出を可能にすることを示している。
関連論文リスト
- DiffReID: Discriminative Diffusion Model for Object Re-Identification [73.56266653516967]
オブジェクトReIDのためのtextbfDiffReID という新しい特徴学習フレームワークを提案する。
我々の手法は、ほとんどの最先端手法よりも優れた結果を示す。
論文 参考訳(メタデータ) (2026-09-29T07:22:50Z) - Beyond Semantics: Uncovering the Physics of Fakes via Universal Physical Descriptors for Cross-Modal Synthetic Detection [34.95491424781195]
そこで本研究では,すべてのテストデータセットに対して一貫した離散パワーを示す5つの物理特徴を同定する特徴選択アルゴリズムを提案する。
提案手法は,Wukong や SDv1.4 などのデータセットに対して,ほぼ完全な精度 (99.8%) で,複数のGenimageベンチマーク上での最先端性能を実現する。
論文 参考訳(メタデータ) (2026-04-06T11:50:29Z) - Human-like Content Analysis for Generative AI with Language-Grounded Sparse Encoders [46.13876748421428]
Language-Grounded Sparses (LanSE)は、画像を自然言語記述で解釈可能な視覚パターンに分解する。
93%の人的合意で5000以上の視覚パターンが検出された。
言語基底パターンを抽出する手法は自然に多くの分野に適用できる。
論文 参考訳(メタデータ) (2025-08-20T06:50:15Z) - Towards Generalizable AI-Generated Image Detection via Image-Adaptive Prompt Learning [33.269644831847636]
画像適応型プロンプト学習(IAPL)は、学習後に修正するのではなく、各入力画像に応じてプロンプトを調整する新しいパラダイムである。
IAPLは、広く使われているUniversalFakeDetectとGenImageデータセットで95.61%と96.7%の精度で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2025-08-03T05:41:24Z) - Multimodal Conditional Information Bottleneck for Generalizable AI-Generated Image Detection [24.512663807403186]
InfoFDはテキスト誘導型AI生成画像検出フレームワークである。
TGCIB(Text-Guided Conditional Information Bottleneck)とDTO(Dynamic Text Orthogonalization)の2つの重要なコンポーネントを紹介する。
我々のモデルは、GenImageデータセットと最新の生成モデル上で、例外的な一般化性能を達成する。
論文 参考訳(メタデータ) (2025-05-21T07:46:26Z) - CO-SPY: Combining Semantic and Pixel Features to Detect Synthetic Images by AI [58.35348718345307]
実際の画像とAI生成画像を区別する現在の取り組みには、一般化が欠如している可能性がある。
既存のセマンティック機能を強化した新しいフレームワークCo-Spyを提案する。
また、5つの実画像データセットと22の最先端生成モデルからなる包括的データセットであるCo-Spy-Benchを作成します。
論文 参考訳(メタデータ) (2025-03-24T01:59:29Z) - D-Judge: How Far Are We? Assessing the Discrepancies Between AI-synthesized and Natural Images through Multimodal Guidance [19.760989919485894]
5000の自然画像と440,000以上のAIGIサンプルからなる大規模マルチモーダルデータセットD-ANIを構築した。
次に、AI生成画像(AIGI)が真に現実的なイメージからどこまで遠いのかという、重要な問題に対処するために、AI-Natural Image Discrepancy評価ベンチマーク(D-Judge)を導入します。
論文 参考訳(メタデータ) (2024-12-23T15:08:08Z) - RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。
RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
論文 参考訳(メタデータ) (2024-05-30T14:49:54Z) - Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。
十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。
近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。
本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
論文 参考訳(メタデータ) (2024-04-23T11:45:32Z) - 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)
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。