UniGenDet：共進化的画像生成と生成画像検出のための統合生成-識別フレームワーク

UniGenDet: A Unified Generative-Discriminative Framework for Co-Evolutionary Image Generation and Generated Image Detection

April 23, 2026

著者: Yanran Zhang, Wenzhao Zheng, Yifei Li, Bingyao Yu, Yu Zheng, Lei Chen, Jiwen Lu, Jie Zhou

cs.AI

要旨

近年、画像生成と生成画像検出の両分野において顕著な進展が見られている。これら二つの分野は急速に発展しているものの、その発展はほぼ独立しており、異なるアーキテクチャのパラダイムを発展させてきた。すなわち、前者は主に生成的ネットワークに依存するのに対し、後者は識別的フレームワークを好んで用いる。両分野における最近の傾向として、性能向上のために敵対的情報を利用する方法が挙げられ、相乗効果の可能性が示唆されている。しかし、両者の間には大きなアーキテクチャ上の隔たりが存在し、これは重大な課題となっている。従来のアプローチとは一線を画し、本研究ではUniGenDetを提案する：これは画像生成と生成画像検出の共進化的な発展のための統一的生成-識別フレームワークである。タスク間の隔たりを埋めるために、我々は共生的マルチモーダル自己注意機構と統一的ファインチューニングアルゴリズムを設計した。この相乗効果により、生成タスクは真正性識別の解釈可能性を向上させ、一方で真正性の基準はより高忠実度な画像の生成を導く。さらに、シームレスな情報交換を促進するために、検出器情報を活用した生成的アライメント機構を導入する。複数のデータセットを用いた大規模な実験により、本手法が最先端の性能を達成することを実証した。コード: https://github.com/Zhangyr2022/UniGenDet{https://github.com/Zhangyr2022/UniGenDet}.

English

In recent years, significant progress has been made in both image generation and generated image detection. Despite their rapid, yet largely independent, development, these two fields have evolved distinct architectural paradigms: the former predominantly relies on generative networks, while the latter favors discriminative frameworks. A recent trend in both domains is the use of adversarial information to enhance performance, revealing potential for synergy. However, the significant architectural divergence between them presents considerable challenges. Departing from previous approaches, we propose UniGenDet: a Unified generative-discriminative framework for co-evolutionary image Generation and generated image Detection. To bridge the task gap, we design a symbiotic multimodal self-attention mechanism and a unified fine-tuning algorithm. This synergy allows the generation task to improve the interpretability of authenticity identification, while authenticity criteria guide the creation of higher-fidelity images. Furthermore, we introduce a detector-informed generative alignment mechanism to facilitate seamless information exchange. Extensive experiments on multiple datasets demonstrate that our method achieves state-of-the-art performance. Code: https://github.com/Zhangyr2022/UniGenDet{https://github.com/Zhangyr2022/UniGenDet}.