論文の概要: DEDCA: Test-Time Adaptation for Generalized AI-Generated Image Detection
- arxiv url: http://arxiv.org/abs/2611.16307v1
- Date: Thu, 12 Nov 2026 05:07:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.365067
- Title: DEDCA: Test-Time Adaptation for Generalized AI-Generated Image Detection
- Title(参考訳): DEDCA: 汎用AI生成画像検出のためのテスト時間適応
- Abstract要約: 本稿では,AI生成画像検出のためのテスト時間適応フレームワークであるDEDCAを提案する。
DEDCAは、CLIPに基づくセマンティックエビデンスと、シャッフルエントロピーと残留統計から抽出された痕跡証拠を組み合わせることで、二重証拠検出器を構築する。
実験により、DEDCAは、最先端のAI生成画像検出器と92.0%の平均精度でテスト時間適応法より優れた性能を発揮することが示された。
- 参考スコア(独自算出の注目度): 15.86882934118288
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI-generated image detectors face significant challenges when deployed in real-world environments, particularly when test samples are produced by unseen generators that deviate from the source training distribution. Existing detectors often rely on a single type of evidence, such as semantic representations or low-level generation traces, making them vulnerable when the corresponding cue becomes unreliable. Moreover, adapting detectors to newly emerging generators usually requires target labels or retraining, which is costly and impractical. To address these challenges, we propose Dual-Evidence Disagreement-Constrained Adaptation (DEDCA), a test-time adaptation framework for generalized AI-generated image detection. DEDCA constructs a dual-evidence detector by combining CLIP-based semantic evidence with trace evidence extracted from shuffled entropy and residual statistics, and introduces a reliability-aware gate to perform sample-specific adaptive fusion. Our key idea is to exploit the disagreement between the two evidence streams as an unlabeled adaptation signal, enabling the detector to adjust to target-domain shifts without relying on target labels or blindly trusting a single prediction stream. Experiments show that DEDCA achieves superior performance on the GenImage benchmark by outperforming state-of-the-art AI-generated image detectors and test-time adaptation methods with 92.0\% average accuracy.
- Abstract(参考訳): AI生成画像検出器は、実環境にデプロイする場合、特にソースのトレーニング分布から逸脱した未確認のジェネレータによってテストサンプルが生成される場合、重大な課題に直面します。
既存の検出器は、意味表現や低レベルの生成トレースのような単一の種類のエビデンスに依存しており、対応するキューが信頼できなくなると脆弱になる。
さらに、新しい発電機に検出器を適応させるには、通常、ターゲットラベルや再訓練が必要であり、コストがかかり実用的ではない。
これらの課題に対処するため、汎用AI生成画像検出のためのテスト時間適応フレームワークであるDEDCAを提案する。
DEDCAは、CLIPに基づくセマンティックエビデンスと、シャッフルエントロピーと残留統計から抽出された痕跡エビデンスとを組み合わせて二重エビデンス検出器を構築し、サンプル特異的適応融合を行うための信頼性に配慮したゲートを導入する。
私たちのキーとなるアイデアは、2つのエビデンスストリーム間の不一致をラベルなし適応信号として活用することで、検出器がターゲットラベルに依存したり、単一の予測ストリームを盲目的に信頼したりすることなく、ターゲットドメインシフトに調整することが可能になります。
実験により、DEDCAは、最先端のAI生成画像検出器と92.0\%の平均精度でテスト時間適応法より優れた性能を発揮することが示された。
関連論文リスト
- Beyond Generator-Specific Shortcuts: Open-World AI-Generated Video Detection via Adversarial Training [14.760295445220605]
FORGE(Gradient-Guided Embedding Perturbation)によるジェネレーター特異的キューの法医学的難読化を提案する。
FORGEは、ジェネレータ固有のショートカットと強く結びついているトークンを識別するが、実際の/フェイク識別には重要ではない。
実験の結果、ForGEは平均92.62F1を達成し、8つの強いベースラインを5.31ポイント上回った。
論文 参考訳(メタデータ) (2026-09-30T04:24:00Z) - Test-Time Curriculum for Open-Set AIGC Detection [31.702537861903014]
Test-Time Curriculum (TTC)は、カリキュラムベースの自己学習を通じてラベルのないテストデータに検出器を適用する。
TTCは、信頼性の高い擬似ラベルのサンプルから始まり、より難しいが有益な事例を取り入れている。
クロススケール Pseudo-Label Refinement は、より信頼性の高い適応のために複数の解像度で補完的な証拠を集約する。
論文 参考訳(メタデータ) (2026-08-01T09:42:45Z) - BIAS-ID: A Framework for Analyzing Transformation Biases in AI-Generated Image Detectors [16.177897817197437]
我々は、検出器がバイアスを受ける意味と、それが頑丈さの欠如とどのように異なるかについて議論する。
AI生成画像検出器における変換バイアスの存在を分析し定量化するための透明なフレームワークであるBIAS-IDを提案する。
本研究は,信頼性の高いAI画像検出器の開発におけるバイアス認識評価の重要性を強調した。
論文 参考訳(メタデータ) (2026-05-29T11:04:11Z) - Where Detectors Fail: Probing Generative Space for Generalizable AI-Generated Image Detection [69.6123714120735]
AI生成画像(AIGI)の検出は、検出器が見えないジェネレータに一般化できないことが多いため、依然として難しい。
本稿では, 生成過程の挑戦領域を積極的に探究することで, 検出器の一般化を改善するフレームワーク PROBE を提案する。
論文 参考訳(メタデータ) (2026-05-24T07:15:06Z) - Scaling Up AI-Generated Image Detection via Generator-Aware Prototypes [15.99138549265524]
GAPL(Generator-Aware Prototype Learning)は、構造化学習パラダイムで表現を制約するフレームワークである。
GAPLは最先端の性能を達成し、多様なGANおよび拡散型ジェネレータにおいて優れた検出精度を示す。
論文 参考訳(メタデータ) (2025-12-15T04:58:08Z) - Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。
意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。
10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
論文 参考訳(メタデータ) (2025-11-10T12:10:05Z) - Breaking Latent Prior Bias in Detectors for Generalizable AIGC Image Detection [11.907536189598577]
現在のAIGC検出器は、トレーニングに使用される同じジェネレータで生成された画像に対してほぼ完璧な精度を達成するが、目に見えないジェネレータからの出力に一般化するのに苦労する。
検出器は、堅牢な生成アーティファクトを学ぶのではなく、初期ノイズベクトルから発生するパターンに関連するショートカットを学習する。
そこで我々は, 発電機の出力多様体に残る逆数例を生成するオン・マニフォールド・逆数訓練(OMAT)を提案する。
論文 参考訳(メタデータ) (2025-06-01T07:20:45Z) - Forgery-aware Adaptive Transformer for Generalizable Synthetic Image
Detection [106.39544368711427]
本研究では,様々な生成手法から偽画像を検出することを目的とした,一般化可能な合成画像検出の課題について検討する。
本稿では,FatFormerという新しいフォージェリー適応トランスフォーマー手法を提案する。
提案手法は, 平均98%の精度でGANを観測し, 95%の精度で拡散モデルを解析した。
論文 参考訳(メタデータ) (2023-12-27T17:36:32Z) - Test-time Adaptation with Slot-Centric Models [63.981055778098444]
Slot-TTAは、半教師付きシーン分解モデルであり、シーンごとのテスト時間は、再構成やクロスビュー合成の目的に対する勾配降下を通じて適用される。
我々は、最先端の監視フィードフォワード検出器と代替テスト時間適応法に対して、配電性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2022-03-21T17:59:50Z)
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。