技術要約: FiSeR: クロスドメインAI画像検出のための細粒度ソース表現

問題提起

現実世界の合成画像検出器は、訓練ドメイン内では強力な性能を示すことが多いものの、ドメインシフト（未知の生成器や自然画像ソースへの遭遇など）が発生すると、大幅な汎化性能の低下に直面します。AIGIBenchやChameleonといった既存のベンチマークは、この劣化を浮き彫りにしていますが、その根本的な原因は依然として重要なボトルネックとなっています。

著者らは、一般的な検出器（例：ResNet50-Detection、CLIP-Detection）の中間特徴量の非教師ありUMAP投影を通じて、自然画像と合成画像が未知のデータセット上においても、特徴空間内では部分的に分離可能な状態にあることを観察しています。しかしながら、最終的な分類性能は急激に低下します。この不一致は、失敗の要因がバックボーンの特徴表現そのものではなく、**分類ヘッド（classification head）**にあることを示唆しています。つまり、分類ヘッドがドメイン固有のアーティファクトに過学習しているのです。その結果、ソースドメインで学習された決定境界が、ターゲットドメインの特徴幾何学（feature geometry）と一致しなくなります。

手法

これに対処するため、著者らは、生成器のアイデンティティ情報を保持しつつ、自然画像と合成画像の間の堅牢な分離性を維持する、転移可能な表現を学習するためのフレームワークであるFiSeR（Fine-Grained Source Representations）を提案しています。この手法は、以下の3つのコアコンポーネントで構成されています。

1. 階層的教師あり対照学習（Hierarchical Supervised Contrastive Learning）

FiSeRの核となるのは、埋め込み空間を共同で最適化する2レベルの対照学習フレームワークです。

• 粗粒度目的関数（Coarse-Grained Objective）: 標準的な対照損失であり、同一のバイナリラベル（自然 vs 合成）を持つサンプル間の類似度を最大化し、異なるラベル間の類似度を最小化します。これにより、実コンテンツとフェイクコンテンツの間のグローバルな分離を保証します。
• 細粒度目的関数（Fine-Grained Objective）: 合成画像に対して特異的に適用される二次的な対照損失です。これは、同じソース（生成器のアイデンティティ）から生成されたサンプル同士を近づけ、異なる生成器からのサンプルを遠ざけるように促します。これにより、多様な生成メカニズムの構造的情報を保持し、すべての合成画像を単一のドメイン固有クラスターへと崩壊させることを防ぎます。

全損失関数は、ハイパーパラメータ $\lambda$ によって重み付けされたこれらの目的関数を組み合わせたものです：
$$L(x_i; \theta) = L_y(x_i; \theta) + \lambda \cdot \mathbb{I}[y_i = \text{synthetic}] \cdot L_{src}(x_i; \theta)$$
ここで、$L_y$ は粗粒度のバイナリ損失、$L_{src}$ は細粒度のソース損失です。

2. 軽量なプラグアンドプレイ型分類ヘッド

推論時には、バックボーンエンコーダは凍結されます。固定された、あるいは過学習の可能性があるヘッドに依存する代わりに、FiSeRはターゲットドメインからの少数のサポートセット（few-shot）から構築された、軽量でタスク特化型の分類ヘッドを装着します。サポートされるヘッドには以下が含まれます：

• 非パラメトリック手法：$k$-近傍法（$k$-NN）およびプロトタイプ分類（Prototypical Classification）。
• パラメトリック手法：線形分類器およびサポートベクターマシン（SVM）。

このアプローチにより、バックボーンを再学習することなく、最小限のラベル付きデータ（例：各クラス10ショット）を用いて、決定境界をターゲットドメインの分布に適応させることが可能になります。

3. k-NNグラフ・ホモフィリー指標

特定の分類器に依存せずに表現の品質を定量的に評価するために、著者らはk-NNグラフ・ホモフィリースコアを導入しています。この指標は、埋め込み空間における近傍点の割合が、同じソースラベル（自然 vs 合成、または特定の生成器）を共有しているかを測定します。スコアが高いほど、表現が局所的な近傍構造を保持していることを示し、few-shotの汎化能力の安定したプロキシ（代理指標）となります。

主な貢献

1. 特徴量の安定性の観察: 本論文は、AI画像検出におけるクロスドメイン性能の低下が、必ずしも中間表現の崩壊によるものではないことを明らかにしました。むしろ、特徴空間は依然として活用可能な分離構造を保持しており、主な失敗の原因は、ソースで訓練された分類ヘッドとターゲットドメインの間のミスマッチにあることを示しています。
2. 階層的対照学習フレームワーク: 著者らは、粗い（自然 vs 合成）制約と、細かい（生成器のアイデンティティ）制約の両方を強制する新しい学習フレームワークを提案しています。これにより、判別能が高く、かつソースを意識した（source-aware）表現を学習し、転移性を高めています。
3. 分離性のための定量的指標: k-NNグラフ・ホモフィリースコアの導入により、分類器に依存しない表現の分離性を定量化する手法を提供しました。著者らは、このスコアがfew-shot SVMの性能と強い相関（ピアソン $r \approx 0.94$）を持つことを示しています。

実験結果

本手法は、5つの困難なベンチマーク（WildFake（訓練ソース）、Community Forensics、AIGIBench、Chameleon、GenImage）で評価されました。

• クロスドメイン汎化: WildFakeのみで訓練された際、FiSeRは4つの分布外（OOD）テストセット全体で平均AUROC 98.23を達成しました。これは、同一設定下における強力なベースラインであるDIRE（88.01）に対し、+10.22 AUROCの向上となります。
• Few-Shot適応: バックボーンを凍結し、ターゲットドメインからわずか10個のラベル付きサンプル（各クラス）を用いてSVMを適合させた場合、FiSeRは12種類の広く使用されている検出器の平均において、AIGIBenchで+10.64、Chameleonで**+17.41**のAUROC向上を実現しました。
• 堅牢性: FiSeRは、一般的な摂動（ガウスぼかし、JPEG圧縮、クロッピング）の下でも高いAUROCを維持しましたが、AIDEやDIREといったベースラインは、特にJPEG圧縮下で著しい性能低下を示しました。
• アブレーション研究: 細粒度の目的関数を除去すると、クロスドメイン性能が大幅に低下しました。これは、生成器のアイデンティティを保持することが汎化において極めて重要であることを裏付けています。逆に、粗粒度の目的関数のみでは最適な結果を得るには不十分でした。

意義と主張

本論文は、堅牢なクロスドメインAI画像検出の鍵は、ドメイン固有のアーティファクトに頼るのではなく、細粒度でソース判別的な表現を学習することにあると主張しています。特徴学習（階層的対照学習による）と決定境界（軽量なfew-shot適応による）を切り離すことで、FiSeRは困難なベンチマークにおいて最先端の性能を達成しています。

著者らは、限られたターゲットサンプルを用いた軽量な適応が、ドメインシフト下での堅牢性を大幅に向上させることができることを強調しています。これは、現在の検出器のボトルネックが、特徴抽出器そのものではなく、硬直化した分類ヘッドにあることが多いことを示唆しています。本研究は、生成器やデータ分布が絶えず進化する現実世界のシナリオにおいて、初期訓練フェーズでの大規模な再学習やターゲットドメインへのアクセスを必要とせずに、より安定した検出を実現するための道筋を示すものです。