微小欠陥がマクロ偽造を暴く：局所分布シフトによるAI生成画像の検出

要旨

最近の生成モデルは非常に現実的な画像を生成できるため、実写とAI生成画像の区別に課題が生じている。しかし、事前学習済み特徴抽出器に基づく既存の検出器は大域的な意味情報に過度に依存する傾向があり、重要な微細欠陥に対する感度が制限されている。本研究では、Micro-Defects expose Macro-Fakes（MDMF）を提案する。これは局所分布を考慮した検出フレームワークであり、微視的な統計的不規則性を巨視的な分布の不一致へと増幅する。局所的なフォレンジック手がかりが単純な集約によって薄まるのを防ぐため、学習可能なPatch Forensic Signatureを導入する。これは意味的なパッチ埋め込みをコンパクトなフォレンジック潜在空間に投影する。次に、最大平均不一致（MMD）を用いて、生成画像と実写画像間の分布の不一致を定量化する。理論に基づく分析により、生成画像に局所的なフォレンジック信号が存在する場合、パッチ単位のモデリングが証明可能なほど大きな不一致をもたらし、実写画像からのより信頼性の高い分離を可能にすることが示される。広範な実験により、MDMFが複数のベンチマークでベースライン検出器を一貫して上回り、その一般的な有効性が検証される。プロジェクトページ: https://zbox1005.github.io/MDMF-project/

English

Recent generative models can produce images that appear highly realistic, raising challenges in distinguishing real and AI-generated images. Yet existing detectors based on pre-trained feature extractors tend to over-rely on global semantics, limiting sensitivity to the critical micro-defects. In this work, we propose Micro-Defects expose Macro-Fakes (MDMF), a local distribution-aware detection framework that amplifies micro-scale statistical irregularities into macro-level distributional discrepancies. To avoid localized forensic cues being diluted by plain aggregation, we introduce a learnable Patch Forensic Signature that projects semantic patch embeddings into a compact forensic latent space. We then use Maximum Mean Discrepancy (MMD) to quantify distributional discrepancies between generated and real images. Our theory-grounded analysis shows that patch-wise modeling yields provably larger discrepancies when localized forensic signals are present in generated images, enabling more reliable separation from real images. Extensive experiments demonstrate that MDMF consistently outperforms baseline detectors across multiple benchmarks, validating its general effectiveness. Project page: https://zbox1005.github.io/MDMF-project/

微小欠陥がマクロ偽造を暴く：局所分布シフトによるAI生成画像の検出

Micro-Defects Expose Macro-Fakes: Detecting AI-Generated Images via Local Distributional Shifts

要旨

Support