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

技術概要：マイクロ欠陥がマクロな偽造を露呈する（MDMF）

問題定義
深層生成モデル、特に拡散ベースのアーキテクチャ（Stable Diffusion、DALL·E、Midjourney など）の最近の進歩は、高い視覚的忠実度を持つ画像を生成し、実写と AI 生成コンテンツの区別をますます困難にしている。既存の検出手法は、多くの場合、事前学習された特徴抽出器に依存し、検出をグローバルな分類タスクとして扱っている。著者らは、これらのアプローチがグローバルな意味内容に過度に依存しており、それが重要なマイクロスケールのフォレンジックアーティファクトを希薄化させていると主張する。現代の生成器は、グローバルな不整合ではなく、疎で局所的な統計的不規則性を残す傾向がある。これらの局所的な手がかりが単一のグローバル表現に集約されると、支配的な意味特徴によって抑制されることが多く、その結果、生成アーティファクトではなく物体の意味（例：「猫対犬」）に基づいて分類してしまう検出器が生まれてしまう。

手法
本論文は、微妙で局所的な統計的偏りを安定したマクロレベルの分布の不一致へと増幅するように設計されたフレームワーク「マイクロ欠陥がマクロな偽造を露呈する（MDMF）」を提案する。手法は以下の 3 つの中核コンポーネントから構成される。

1. パッチフォレンジックシグネチャ（PFS）:

   • 画像を単一のグローバルベクトルとして処理するのではなく、MDMF は凍結された事前学習済みビジョンバックボーン（例：DINOv2）を用いて画像を局所パッチに分解する。
   • 学習可能な射影関数 $\phi_\theta$（軽量な MLP）は、これらの意味パッチ埋め込みを専用のフォレンジック潜在空間へマッピングする。
   • この射影は、埋め込みを再パラメータ化するように訓練され、具体的には意味的な変動を抑制しつつ、生成プロセスによって導入された統計的不規則性を維持・増幅する。これにより、意味に支配されるのではなくアーティファクトに支配された各パッチの「シグネチャ」が作成される。

2. 最大平均不一致（MMD）による分布検出:

   • 単純なプーリング（疎な手がかりを平均化してしまう可能性がある）を介してパッチスコアを集約するのではなく、MDMF は画像内のパッチシグネチャの集合を分布として扱う。
   • テスト画像のパッチシグネチャと、実画像の参照セットとの間の分布の差異を定量化するために、**最大平均不一致（MMD）**を採用する。
   • このフレームワークは、この不一致を測定するために深層ガウスカーネルを利用する。訓練目的は、正則化されたテスト電力基準を最大化し、実画像と生成画像の分布間の分離を最大化するために、射影重み（$\theta$）とカーネルバンド幅（$\gamma$）の両方を最適化するものである。

3. 理論的基盤:

   • 著者らは「疎な欠陥モデル」に基づいた理論分析を提供する。特定の仮定（サブガウス分布のパッチ埋め込みと疎な局所欠陥）の下では、パッチ単位の PFS モデルリングが、グローバルプーリング（$\Delta_{global}$）と比較して、証明可能なより大きな平均シフト（$\Delta_{PFS}$）をもたらすことを証明している。
   • 具体的には、シフトはパッチ数 $K$ に比例してスケーリングする（すなわち、$\|\Delta_{PFS}\|^2 \approx K \|\Delta_{global}\|^2$）。これは、局所モデルリングがフォレンジック信号の希薄化を防ぐことを示している。
   • この分析はさらに、有限サンプルの集中度保証を確立しており、集団レベルの不一致が正である場合、経験的 MMD スコアが実画像と生成画像を確実に分離することを示している。

主な貢献

• 新しい視点: 本論文は、画像を局所的な視覚証拠の集合としてモデル化する分布検出の視点を導入し、現代の生成アーティファクトはグローバルな不整合ではなく、微妙な統計的偏りとして現れると主張する。
• パッチフォレンジックシグネチャ（PFS）: 意味不変性を抑制しつつ生成アーティファクトを増幅するように設計された潜在空間へ意味埋め込みを再パラメータ化する、学習可能な表現。
• MDMF フレームワーク: MMD を介して局所的なフォレンジック証拠を集約する検出システム。理論分析により実画像と生成画像の間の証明可能な分離が確立され、パッチ単位の投票に関連する複雑な閾値調整の必要性を回避する。
• 包括的な評価: 複数のベンチマーク（ImageNet、LSUN-Bedroom、GenImage、WildRF、LDMFakeDetect）および OpenSora 生成ビデオに関するケーススタディにおける広範な実験。

実験結果

• ベンチマーク性能: MDMF は、多様な生成モデル（GAN、拡散モデル、トランスフォーマー）において、最先端のベースライン（CNNspot、Ojha、DIRE、PatchCraft、FatFormer、F-ConV など）を一貫して上回る。ImageNet ベンチマークにおいて、MDMF は平均 AUROC 95.65%、AP **97.07%**を達成し、以前の最良のトレーニングベース手法を上回った。
• 汎化性: 本手法は、多くの既存の検出器が著しく劣化する最近の拡散モデル（DiT、LDM など）やビデオ生成モデル（OpenSora）を含む、未見の生成器に対する堅牢な汎化性を示す。
• 堅牢性: MDMF は、JPEG 圧縮、ガウスぼかし、ガウスノイズなどの一般的なポストプロセッシング摂動に対して優れた耐性を示す。摂動の深刻度が増すにつれて、MDMF とベースラインとの性能差は拡大する。
• アブレーション研究:
  • PFS 対 グローバル: グローバルプーリングを PFS モデルリングに置き換えることで性能が大幅に向上し、意味に支配されたグローバル特徴よりも局所的な証拠の方が効果的であることを確認した。
  • MMD 対 集約: PFS に MMD 最適化を組み合わせることは、単純なアテンションや平均プーリングを伴う PFS よりも高い性能をもたらすことで、分布アプローチの有効性を検証した。
  • パッチ粒度: 本手法はパッチサイズに対して単調ではない依存性を示し、中間的な粒度（例：$W=32$）が局所的なシフトの捕捉と推定安定性の維持の間の最適なトレードオフを提供する。
  • ハードボティング: MDMF は、すべてのテストされた閾値においてパッチレベルのハードボティング戦略を上回り、離散的なパッチ単位の決定よりも連続的な分布テストの方が信頼性が高いことを示している。

意義と主張
本論文は、グローバルな意味から局所的な統計的不規則性へと焦点を移すことで、AI 生成画像の検出に対する原理的かつ堅牢なフレームワークを提供すると主張している。パッチ単位のモデルリングが疎な欠陥を増幅することを数学的に証明し、野外データやビデオフレームを含む多様で困難なベンチマークにおける優れた性能を実証的に示すことで、著者らは、分布の視点が現在の意味に偏った検出器の限界を効果的に克服すると論じている。この手法は、生成モデルがますます現実的でアーティファクトの少ないコンテンツを生成する時代において、信頼性の高い検出に向けた重要な一歩として提示されている。また、著者らはパッチレベルのシグネチャが局所的なフォレンジック証拠の可視化を可能にし、検出判断の監査を支援するため、本手法の解釈可能性も強調している。