← नवीनतम पेपर
🤖 AI

A Comprehensive Dataset for Human vs. AI Generated Image Detection

यह शोधपत्र MS COCOAI को प्रस्तुत करता है, जो पाँच अग्रणी AI मॉडलों द्वारा निर्मित 96,000 वास्तविक और सिंथेटिक छवियों से बना एक व्यापक डेटासेट है, जिसे AI-जनित मीडिया का पता लगाने और उसके स्रोत की पहचान करने के अनुसंधान को आगे बढ़ाने के लिए डिज़ाइन किया गया है।

मूल लेखक: Rajarshi Roy, Ashhar Aziz, Shashwat Bajpai, Nasrin Imanpour, Gurpreet Singh, Shwetangshu Biswas, Kapil Wanaskar, Parth Patwa, Subhankar Ghosh, Shreyas Dixit, Nilesh Ranjan Pal, Vipula Rawte, Ritvik Ga
प्रकाशित 2026-05-26
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Rajarshi Roy, Ashhar Aziz, Shashwat Bajpai, Nasrin Imanpour, Gurpreet Singh, Shwetangshu Biswas, Kapil Wanaskar, Parth Patwa, Subhankar Ghosh, Shreyas Dixit, Nilesh Ranjan Pal, Vipula Rawte, Ritvik Garimella, Amitava Das, Amit Sheth, Gaytri Jena, Vasu Sharma, Aishwarya Naresh Reganti, Vinija Jain, Aman Chadha

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल आर्ट गैलरी में कदम रखते हैं। आधी पेंटिंग्स इंसानों द्वारा ली गई असली तस्वीरें हैं और दूसरी आधी बहुत ही प्रतिभाशाली, लेकिन अदृश्य रोबोटों की एक टीम द्वारा बनाई गई उत्कृष्ट कृतियाँ (masterpieces) हैं। समस्या क्या है? रोबोट इतने अच्छे होते जा रहे हैं कि आप केवल देखकर अंतर नहीं कर सकते।

यह पेपर हमें रोबोट द्वारा बनाई गई कला को पहचानने में मदद करने के लिए एक ट्रेनिंग कैंप और एक टेस्ट बनाने के बारे में है। यहाँ इसका विवरण सरल शब्दों में दिया गया है:

1. समस्या: तस्वीरों का "अनकैनी वैली" (Uncanny Valley)

हमारे पास शक्तिशाली AI उपकरण (जैसे Stable Diffusion, DALL-E 3, और MidJourney) हैं जो शून्य से चित्र बना सकते हैं। वे अद्भुत हैं, लेकिन उनका उपयोग झूठ या फर्जी खबरें फैलाने के लिए भी किया जा रहा है। क्योंकि ये चित्र इतने वास्तविक दिखते हैं, हमारी आँखें (और यहाँ तक कि पुराने कंप्यूटर प्रोग्राम भी) मूर्ख बन जाते हैं। हमें उन्हें पकड़ने के लिए एक बेहतर तरीके की आवश्यकता है।

2. समाधान: "MS COCOAI" डेटासेट

लेखकों ने कंप्यूटर को बेहतर जासूस बनने के लिए प्रशिक्षित करने हेतु 96,000 चित्रों का एक विशाल पुस्तकालय बनाया है। इस पुस्तकालय को एक नियंत्रित वैज्ञानिक प्रयोग के रूप में समझें।

  • "असली" समूह (The "Real" Group): उन्होंने MS COCO नामक एक प्रसिद्ध डेटाबेस से 16,000 वास्तविक तस्वीरें लीं। ये मानव-लिखित विवरणों (कैप्शन) के साथ वास्तविक तस्वीरें हैं।
  • "नकली" समूह (The "Fake" Group): उन्होंने उन्हीं समान मानव-लिखित विवरणों को लिया और उन्हें पाँच अलग-अलग AI रोबोटों (Stable Diffusion 2.1, SDXL, SD 3, DALL-E 3, और MidJourney v6) में डाला।
  • जादुई ट्रिक: क्योंकि AI और मानव फोटोग्राफर ने एक ही विवरण का उपयोग किया था, इसलिए परिणामी चित्र सामग्री के मामले में "जुड़वा" (twins) हैं।
    • उपमा: कल्पना कीजिए कि आप एक मानव शेफ और एक रोबोट शेफ से "स्ट्रॉबेरी के साथ चॉकलेट केक" बनाने के लिए कहते हैं। यदि रोबोट एक ऐसा केक बनाता है जो थोड़ा अलग दिखता है, तो हमें पता चल जाएगा कि यह रोबheid की गलती है, न कि इसलिए कि रोबोट को "स्पाइसी पिज्जा" बनाने के लिए कहा गया था। यह शोधकर्ताओं को "कंटेंट बायस" (सामग्री के पूर्वाग्रह) को "AI आर्टिफ़ेक्ट्स" (AI की कमियों) से अलग करने में मदद करता है।

3. स्ट्रेस टेस्ट: "जिम्नास्टिक रूटीन"

डिटेक्टर्स को मजबूत बनाने के लिए, लेखकों ने उन्हें केवल साफ तस्वीरें नहीं दीं। इसके बजाय, उन्होंने AI छवियों पर चार "स्टंट" लागू किए, जैसे कि एक जिम्नास्ट अपनी रूटीन में कठिनाई जोड़ता है:

  1. फ्लिपिंग (Flipping): छवि को क्षैतिज रूप से दर्पण की तरह पलटना।
  2. डिम्मिंग (Dimming): छवि को गहरा (dark) बनाना।
  3. स्टैटिक (Static): तस्वीर में टीवी जैसी "बर्फ" (शोर/noise) जोड़ना।
  4. कंप्रेशन (Compression): फ़ाइल के आकार को सिकोड़ना (जैसे फोन पर फोटो सेव करना) जिससे वह थोड़ी धुंधली हो जाए।

यह सुनिश्चित करता है कि यदि कोई डिटेक्टर काम करता है, तो वह तब भी काम करे जब छवि के साथ छेड़छाड़ की गई हो।

4. दो चुनौतियाँ (दो टेस्ट)

पेपर इस डेटासेट का उपयोग करके कंप्यूटर के खेलने के लिए दो विशिष्ट खेल निर्धारित करता है:

  • गेम A ("असली या रोबोट?" टेस्ट): एक तस्वीर को देखें और कहें, "क्या यह मानव-निर्मित है या AI-निर्मित?"
    • परिणाम: एक बुनियादी कंप्यूटर मॉडल लगभग 80% बार सही था। यह एक इंसान के 5 में से 4 बार सही अनुमान लगाने जैसा है। यह संभव है, लेकिन पूर्ण नहीं है।
  • गेम B ("किसने बनाया?" टेस्ट): एक AI तस्वीर को देखें और अनुमान लगाएं कि किस पांच रोबोटों में से किसने इसे बनाया।
    • परिणाम: कंप्यूटर केवल लगभग 45% बार सही था। यह रैंडम अनुमान लगाने (जैसे सिक्का उछालना) से मुश्किल से थोड़ा ही बेहतर है।
    • यह कठिन क्यों है? यह पाँच अलग-अलग पेशेवर जालसाजों में से अंतर करने की कोशिश करने जैसा है जो सभी एक ही शैली की नकल करने की कोशिश कर रहे हैं। यह केवल यह पहचानने की तुलना में बहुत कठिन है कि कला नकली है।

5. उन्होंने इसे कैसे हल करने की कोशिश की (द बेसलाइन)

एक शुरुआती बिंदु प्राप्त करने के लिए, लेखकों ने कोई फैंसी नया AI इस्तेमाल नहीं किया। उन्होंने एक मानक कैमरा लेंस (एक ResNet-50 मॉडल) का उपयोग किया, लेकिन तस्वीरों को एक अलग तरीके से देखा: फ्रीक्वेंसी डोमेन (Frequency Domain)।

  • उपमा: कल्पना कीजिए कि आप किसी पेंटिंग को उसके रंगों से नहीं, बल्कि उसकी "कंपन" (vibrations) या उस ध्वनि से देख रहे हैं जो वह एक संगीत वाद्ययंत्र के रूप में उत्पन्न करेगी। AI छवियों में अक्सर उनकी कंपन में एक अजीब "हमिंंग" (hum) या एक विशिष्ट पैटर्न होता है जो मानव तस्वीरों में नहीं होता है। उन्होंने कंप्यूटर को उस 'हमिंंग' को सुनने के लिए सिखाया।

6. निष्कर्ष (The Bottom Line)

पेपर यह निष्कर्ष निकालता है कि जबकि हम यह पहचानने में बेहतर हो रहे हैं कि एक छवि नकली है (गेम A), हम अभी भी यह पता लगाने में बहुत खराब हैं कि किस विशिष्ट AI टूल ने इसे बनाया (गेम B)।

उन्होंने इस 96,000 युग्मित छवियों (असली बनाम AI) के विशाल पुस्तकालय को जनता के लिए जारी कर दिया है ताकि अन्य शोधकर्ता बेहतर डिटेक्टर बनाने का प्रयास कर सकें। उनका लक्ष्य समाज को ऑनलाइन जो कुछ भी दिखता है उस पर फिर से विश्वास करने में मदद करना है।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.AI →