NTIRE 2026 チャレンジ：野生環境における堅牢な AI 生成画像検出に関する技術的サマリー

本論文は、CVPR 2026 に併催された NTIRE 2026 ワークショップの一部として開催された「野生環境における堅牢な AI 生成画像検出（Robust AI-Generated Image Detection in the Wild）」チャレンジの概要、提案手法、結果、および考察をまとめたものです。

1. 問題定義と背景

生成 AI（拡散モデル、GAN、自己回帰モデルなど）の急速な発展により、写真と見分けがつかない AI 生成画像が爆発的に増加しています。これに伴い、メディアの信頼性、誤情報、デジタルフォレンジックの分野で深刻な課題が生じています。

既存の検出器は、クリーンなデータ（加工されていない画像）では高い精度を達成していますが、現実世界での画像変換（トリミング、リサイズ、圧縮、ぼかしなど）に対して脆弱であるという根本的な限界があります。実際の運用環境では、画像は検出前にこれらの処理を経ることが多く、これにより検出性能が大幅に低下します。

本チャレンジの目的は、**「現実世界の複雑な変換・劣化に対して堅牢な AI 生成画像検出モデル」**の開発と評価にあります。

2. データセットと評価指標

データセット

• 規模: 実画像 108,750 枚、AI 生成画像 185,750 枚（合計約 29 万 4 千枚）。
• 生成元: 2022 年から 2026 年にかけてリリースされた 42 種類のオープンソース・クローズドソースのテキスト・トゥ・イメージ生成モデル（Stable Diffusion 系、Flux、Qwen-Image、Nano Banana など）。
• 特徴:
  • 実画像は Web 由来の大規模データセットからフィルタリング・選定。
  • 生成画像は実画像のキャプションを基に生成し、セマンティクスを一致させている。
  • 36 種類の変換（ノイズ、圧縮、ぼかし、ウォーターマッキング、ニューラル圧縮、敵対的攻撃など）を適用した「堅牢性評価トラック」を含む。

評価指標

• 主要指標: Robust ROC AUC（変換・劣化された画像全体に対する ROC AUC）。
• 副次指標: Clean ROC AUC（変換されていない画像に対する ROC AUC）。
• 参加者の予測スコアを二値化せず、信頼度スコアに基づいて評価。

3. 主要な参加チームと提案手法

511 名の登録者から 20 チームが最終提出を行い、上位チームの手法は以下の通りです。

3.1. MICV (1 位)

• アプローチ: 階層的なデータ戦略とアンサンブル学習。
• 技術的特徴:
  • バックボーン: 複数の DINOv3 を使用した 2 つのストリーム（4 つと 2 つのバックボーンをそれぞれアンサンブル）。
  • データ戦略: オープンソースベンチマーク、オープンソース生成モデル、クローズドソース API からの高品質データ、およびコンペティションデータを含む大規模な学習コーパス。
  • 拡張: 難易度に応じた階層的なデータ拡張（単純な劣化から複雑な組み合わせ劣化まで）。
  • 最適化: Focal Loss と Stochastic Weight Averaging (SWA) を採用。

3.2. Ant International (2 位)

• アプローチ: 大規模モデルと専門家のアンサンブル。
• 技術的特徴:
  • モデル: DINOv3-7B（140 億パラメータ）をベースとした 2 つの専門家モデル（Expert Ensemble）。
  • 専門家 1: 高解像度特化（512x512、注意プーリング、Level 2-4 の拡張データ）。
  • 専門家 2: 堅牢性特化（288x288、トークンプーリング、全レベルの拡張データ）。
  • 推論: テスト時拡張（TTA）と重み付きアンサンブル。

3.3. TeleAI-TeleGuard

• アプローチ: LoRA ベースのペアワイズ学習（LPT）。
• 技術的特徴:
  • EVA-CLIPを基盤モデルとし、LoRA で微調整。
  • ペアワイズ最適化: クリーン画像と対応する劣化画像を同時に学習し、劣化画像の特徴を補正するフィードフォワードネットワークを導入。
  • 追加の劣化タイプ（スぺックルノイズ、色かぶりなど）を独自に追加。

3.4. INTSIG

• アプローチ: 5 つのモデルによる段階的パイプラインと重み付き融合。
• 技術的特徴:
  • DINOv3-Huge および MetaCLIP2 Giant を使用。
  • 高解像度ブランチ（448x448）の導入や、データ拡張の強化、バックボーンの変更を段階的に行う。
  • 二重ゲート制御: モデル間の合意度に基づき、外れ値を抑制または補正するロジックを実装。

3.5. Vincentlc

• アプローチ: SigLIP2-Giant と摂動感知学習。
• 技術的特徴:
  • SigLIP2-Giantをバックボーンに使用。
  • 「Squish」戦略: アスペクト比を無視して 384x384 に直接リサイズし、画像全体の情報を保持。
  • 学習時に公式の劣化パイプラインを 100% の確率で適用し、摂動に不変な表現を学習。

その他のチーム

• Reagvis Labs (RAPID): CLIP, SigLIP, SRM（フォレンジック残差）, EVA-02 の 4 つの異なるパラダイムを組み合わせ、段階的なロジット融合を行う 6 モデルアンサンブル。
• UESTC: 4 つの Vision Transformer（CLIP, SigLIP）をアンサンブルし、特徴レベルの自己蒸留（Self-distillation）を導入。
• PSU (PRISM): 7 つの異なる事前学習パラダイム（対比学習、自己教師あり、教師あり CNN）を組み合わせ、堅牢性 AUC に基づいて重みを調整。
• Shallow Real: DINOv3-Large に LoRA を適用し、マルチアスペクト分類ヘッド（CLS, REG, AVG トークンの結合）と深層監督、メトリック学習損失を採用。

4. 結果

• 上位チームの性能: 1 位（MICV）と 2 位（Ant International）は、Robust ROC AUC で 0.97 以上、Clean ROC AUC で 0.99 以上を達成しました。
• 堅牢性の重要性: 上位 2 チームとそれ以降のチームの間には明確な性能差（Robust ROC AUC で 0.91 対 0.88 以下）が見られました。これは、単なる精度だけでなく、現実世界の変換に対する耐性が決定的な要因であることを示しています。
• 傾向: 成功した手法の多くは、大規模な Vision Transformer（DINOv3, SigLIP, CLIP など）をベースとし、大規模で多様なデータ拡張、アンサンブル学習、そして劣化を考慮した学習戦略を採用していました。

5. 結論と意義

本チャレンジは、AI 生成画像検出の分野において、「クリーンな環境での精度」から「現実世界の堅牢性」へのパラダイムシフトの必要性を浮き彫りにしました。

• 技術的貢献: 大規模モデルの活用、多様なデータ拡張、異種モデルのアンサンブル、および劣化を考慮した学習戦略の有効性が実証されました。
• 課題: 依然として完全な解決には至っておらず、特に未知の生成モデルや高度な劣化に対する一般化能力にはさらなる改善の余地があります。
• 将来展望: 本論文で提示されたデータセットと手法は、メディアの信頼性確保やデジタルフォレンジックの分野において、実用的な検出システムの開発に向けた重要な基盤となります。

本レポートは、研究者および実務家に対し、現実世界の変換に対する検出モデルの堅牢性を向上させるための具体的な指針とリファレンスを提供するものです。