🤖 AI

A Comprehensive Dataset for Human vs. AI Generated Image Detection

本論文は、AI 生成メディアの検出と発生源の特定に関する研究を進展させるために設計された、5 つの主要な AI モデルによって生成された 96,000 枚の現実および合成画像からなる包括的なデータセット MS COCOAI を紹介する。

原著者： 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

公開日 2026-05-26

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： 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

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

巨大な美術館に入ってきたと想像してください。絵画の半分は人間が撮影した本物の写真で、残りの半分は非常に才能があるが目に見えないロボットチームによって制作された傑作です。問題は何でしょうか？ロボットがあまりにも上手くなり、見るだけでは見分けがつかなくなっているのです。

この論文は、ロボットが作ったアートを発見するためのトレーニングキャンプとテストの構築について述べています。以下に、簡単な言葉で内容を整理します。

1. 問題：写真の「不気味の谷」

Stable Diffusion、DALL-E 3、MidJourney などの強力な AI ツールは、ゼロから画像を生成できます。これらは驚くべきものですが、嘘やフェイクニュースを広めるためにも使われています。これらの画像があまりにも本物らしく見えるため、私たちの目（そして古いコンピュータプログラムさえも）がだまされてしまいます。これらを見抜くためのより良い方法が必要です。

2. 解決策：「MS COCOAI」データセット

著者らは、コンピュータをより優れた探偵にするために、96,000 枚の画像からなる巨大なライブラリを構築しました。このライブラリを管理された科学実験と考えるとわかりやすいでしょう。

「本物」グループ： 有名なデータベースである MS COCO から 16,000 枚の本物の写真を取り出しました。これらは人間が作成した説明文（キャプション）付きの genuine な写真です。
「偽物」グループ： その全く同じ人間が作成した説明文を5 つの異なる AI ロボット（Stable Diffusion 2.1、SDXL、SD 3、DALL-E 3、MidJourney v6）に入力しました。
マジックトリック： AI と人間のフォトグラファーが同じ説明文を使用したため、生成された画像はコンテンツの点で「双子」の関係になります。
- アナロジー： 人間のシェフとロボットシェフに「イチゴ入りチョコレートケーキ」を作らせたと想像してください。もしロボットが少し異なるケーキを作った場合、それはロボットが「スパイシーなピザ」を作るように指示されたからではなく、ロボットのせいだとわかります。これにより、研究者は「コンテンツのバイアス」と「AI 特有のアーティファクト（人工物）」を分離できます。

3. ストレステスト：「体操の演技」

検出器を丈夫にするために、著者らは単にきれいな画像を与えるだけでなく、AI 画像に体操選手が演技に難易度を追加するように、4 つの「技」を適用しました。

反転： 画像を水平にミラーリングします。
暗転： 画像を暗くします。
ノイズ： 画像にテレビの「砂嵐」のようなノイズを追加します。
圧縮： 画像のファイルサイズを圧縮（携帯電話で写真を保存する場合など）して、少しぼかします。

これにより、検出器が機能する場合、画像が加工されていても機能することが保証されます。

4. 2 つの課題（テスト）

このデータセットを使用して、コンピュータにプレイさせる 2 つの特定のゲームを設定しています。

ゲーム A（「本物かロボットか？」テスト）： 画像を見て、「これは人間が作ったのか、AI が作ったのか？」と言います。
- 結果： 基本的なコンピュータモデルは約**80%**正解しました。これは人間が 5 回中 4 回正しく推測するのと同じです。可能ですが、完璧ではありません。
ゲーム B（「誰が作ったか？」テスト）： AI 画像を見て、5 つのロボットのどれが作ったかを推測します。
- 結果： コンピュータは約**45%**しか正解できませんでした。これは偶然の推測（コイン投げなど）よりわずかに良い程度です。
- なぜ難しいのか？ これは、同じスタイルをコピーしようとする 5 人のプロの偽造師の違いを見分けるようなものです。アートが偽物であることを見抜くよりも、特定の作家を特定する方がはるかに難しいのです。

5. 解決への取り組み（ベースライン）

出発点を得るために、著者らは新しい AI を使わず、標準的なカメラレンズ（ResNet-50 モデル）を使用しましたが、画像を異なる方法で見ています：周波数領域です。

アナロジー： 絵画を色ではなく、楽器になったときに鳴る「振動」や「音」で見るようなものです。AI 画像には、人間の写真にはない奇妙な「ハミング音」や、振動における特定のパターンがあることが多いです。彼らはコンピュータにそのハミング音を聞き分けるよう教えました。

6. 結論

この論文は、画像が偽物であることを見抜くこと（ゲーム A）については改善されている一方で、どの特定の AI ツールがそれを作ったかを見分けること（ゲーム B）については依然として非常に苦手であると結論付けています。

彼らは、他の研究者がより良い検出器を構築できるように、96,000 枚のペア画像（本物対 AI）のこの巨大なライブラリを一般に公開しました。彼らの目標は、社会がオンライン上で目にするものを再び信頼できるようにすることです。

技術的概要：AI 生成画像検出のための MS COCOAI データセット

問題定義
マルチモーダル生成 AI システム（Stable Diffusion、DALL-E、MidJourney など）の急速な進歩は、合成視覚コンテンツの作成を根本的に変容させた。これらのツールはイノベーションを推進する一方で、同時に誤解を招くコンテンツや操作されたメディアの拡散を容易にしている。生成画像の視覚的忠実度が本物の写真に迫るにつれ、実在と合成コンテンツを区別することが緊急の優先課題となっている。既存の検出手法は、実画像と合成画像が同一のテキスト記述を共有する「セマンティックな整合性」を提供し、オープンソースおよびクローズドソースの両方のモデルを含む多様な現代の生成器を網羅する、堅牢で大規模なデータセットの欠如により、重大な課題に直面している。

手法とデータセット構築
著者は、従来のベンチマークの限界に対処するために設計された、96,000 組の画像 - 説明文ペアからなる新規データセット「MS COCOAI」を紹介する。構築プロセスは以下の手順を含む：

ソース資料： データセットは MS COCO データセットに基づいて構築され、「実在」画像の真実値として、16,000 組の高品質な人間による注釈付き画像 - 説明文ペアを利用する。
合成生成： 16,000 個の各説明文は、Stable Diffusion 3 (SD3)、Stable Diffusion 2.1 (SD2.1)、SDXL、DALL-E 3、MidJourney v6 という 5 つの異なる最先端モデルを使用して合成画像を生成するためのテキストの種として機能する。これにより、すべての実在画像が同一のプロンプトから生成された 5 つの対応する合成画像を持つ、1:1 の整合性が実現される。
摂動： 堅牢性と不変性の研究を促進するため、データセットには各生成画像に適用された 4 つの独立した摂動が含まれる：水平反転、輝度低下（係数 0.5）、加法性ガウスノイズ（ $\sigma=0.05$ ）、および JPEG 圧縮（画質係数 50）。
データ構造： データセットは、画像、元の説明文、実在対 AI 生成の分類のためのバイナリラベル（label_A）、および特定のモデル帰属のためのカテゴリカルラベル（実在を 0、特定の生成器を 1–5）を含むフィールドで構成されている。
分割： データは、訓練（42,000）、検証（9,000）、テスト（45,000）のサブセットに分割されている。

主な貢献

セマンティックな整合性： 実在と合成コンテンツの間の不整合にしばしば悩まされる従来のデータセット（WildFake、GenImage など）とは異なり、MS COCOAI は実在画像と合成画像が同一の説明文を共有することを保証する。これにより、研究者はコンテンツのバイアスから生成アーティファクトを分離できる。
多様な生成器の網羅： データセットには、オープンソース（Stable Diffusion の変種）とクローズドソース（DALL-E 3、MidJourney v6）の両方のシステムをカバーする、5 つの現代の生成器からのバランスの取れた画像の混合が含まれる。
二重タスクベンチマーク： データセットは 2 つの異なる評価タスクをサポートする：
- タスク A（バイナリ分類）： 実在画像と AI 生成画像の区別。
- タスク B（モデル帰属）： 合成画像を生成した特定の生成モデルの特定。
堅牢性評価： 体系的な摂動の組み込みにより、一般的な画像変換に対する検出モデルのテストを可能にする。

ベースライン結果
著者は、2 次元フーリエ変換を通じて導出された周波数領域表現上で動作する ResNet-50 分類器を用いたベースラインを確立した。これは、以前の周波数解析研究に着想を得た戦略である。結果は、2 つのタスク間の顕著な性能差を浮き彫りにしている：

タスク A（実在対 AI）： ベースラインは 0.80144 のスコアを達成し、比較的単純な周波数ベースの特徴を用いたバイナリ真正性検出が実現可能であることを示している。
タスク B（モデル帰属）： ベースラインは 0.44913 のスコアを達成し、特定の生成器の特定は、多クラス分類の複雑さと現代の拡散モデル間の微妙な差異に起因して、実質的に困難であることを示している。

意義と主張
本論文は、MS COCOAI を、合成メディア検出における学術的探究と実用的実装の間のギャップを埋めることを意図した厳格なベンチマークとして位置づけている。大規模でセマンティックに整合したリソースを提供することで、著者は AI 支援による偽情報に対するスケーラブルな対策の開発を促進することを目指している。この研究は、AI 生成テキスト検出における既存の取り組みを補完し、Defactify ワークショップシリーズの基盤の上に構築されている。著者は控えめに主張しており、バイナリ検出は達成可能であるが、このデータセットはモデル帰属の著しい困難さを明らかにしており、それによってより洗練された指紋技術やクロスモーダル学習アプローチに関する将来の研究への明確な方向性を設定している。