AI生成画像検出器は大域的アーティファクトに過度に依存：インペインティング交換による実証

AI-Generated Image Detectors Overrely on Global Artifacts: Evidence from Inpainting Exchange

January 30, 2026

著者: Elif Nebioglu, Emirhan Bilgiç, Adrian Popescu

cs.AI

要旨

現代の深層学習ベースの画像修復技術は、局所的な画像操作を高精細に実現し、信頼性の高い検出に重大な課題を提起している。しかし、現在の検出器は主に、修復の副作用として現れる大域的なアーティファクトに依存しており、局所的に合成されたコンテンツ自体には着目していないことが分かる。この現象は、VAEベースの再構成が、未編集領域を含む画像全体にわたり、微妙ながらも遍在するスペクトルシフトを誘発するために生じることを明らかにする。この効果を分離するため、編集領域外の元の画素を復元しつつ、すべての合成コンテンツを保持する操作であるInpainting Exchange（INP-X）を提案する。本現象を評価するため、実画像、修復画像、交換画像を含む90Kのテストデータセットを構築した。この介入条件下では、商用モデルを含む事前学習済みの最先端検出器は、精度が劇的に低下し（例：91％から55％へ）、しばしば偶然レベルに近づく。この挙動を、VAEの情報ボトルネックが引き起こす高周波数減衰に関連付ける理論的分析を提供する。我々の発見は、コンテンツを意識した検出の必要性を浮き彫りにする。実際、本データセットで学習したモデルは、標準的な修復データを用いた場合よりも優れた汎化性能と位置特定精度を示す。データセットとコードはhttps://github.com/emirhanbilgic/INP-Xで公開している。

English

Modern deep learning-based inpainting enables realistic local image manipulation, raising critical challenges for reliable detection. However, we observe that current detectors primarily rely on global artifacts that appear as inpainting side effects, rather than on locally synthesized content. We show that this behavior occurs because VAE-based reconstruction induces a subtle but pervasive spectral shift across the entire image, including unedited regions. To isolate this effect, we introduce Inpainting Exchange (INP-X), an operation that restores original pixels outside the edited region while preserving all synthesized content. We create a 90K test dataset including real, inpainted, and exchanged images to evaluate this phenomenon. Under this intervention, pretrained state-of-the-art detectors, including commercial ones, exhibit a dramatic drop in accuracy (e.g., from 91\% to 55\%), frequently approaching chance level. We provide a theoretical analysis linking this behavior to high-frequency attenuation caused by VAE information bottlenecks. Our findings highlight the need for content-aware detection. Indeed, training on our dataset yields better generalization and localization than standard inpainting. Our dataset and code are publicly available at https://github.com/emirhanbilgic/INP-X.