Few-Shot Learner Generalizes Across AI-Generated Image Detection

要約

大規模な合成画像データセットでトレーニングされた現在の偽画像検出器は、限られた研究対象の生成モデルで十分に機能します。
ただし、未登場のモデルに比べてパフォーマンスが著しく低下します。
さらに、オンライン生成モデルから適切なトレーニング データを収集するには、多くの場合、費用がかかるか、実行不可能です。
これらの問題を克服するために、私たちは、特殊な計量空間を学習して、非常に少ないサンプルを利用して目に見えない偽画像を効果的に区別する新しい AI 生成画像検出器である Few-Shot Detector (FSD) を提案します。
実験では、FSD が GenImage データセット上で $+7.4\%$ の平均 ACC による最先端のパフォーマンスを達成していることが示されています。
さらに重要なことは、私たちの方法は、追加のトレーニングなしで、目に見えない画像内のカテゴリ内の共通の特徴をよりよく捕捉できることです。

要約(オリジナル)

Current fake image detectors trained on large synthetic image datasets perform satisfactorily on limited studied generative models. However, they suffer a notable performance decline over unseen models. Besides, collecting adequate training data from online generative models is often expensive or infeasible. To overcome these issues, we propose Few-Shot Detector (FSD), a novel AI-generated image detector which learns a specialized metric space to effectively distinguish unseen fake images by utilizing very few samples. Experiments show FSD achieves state-of-the-art performance by $+7.4\%$ average ACC on GenImage dataset. More importantly, our method is better capable of capturing the intra-category common features in unseen images without further training.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google