RealStats：偽画像検出のための実画像のみを用いた統計的フレームワーク

TL;DR（結論）

生成AIによる偽画像検出において、未知の生成モデルへの適応性と判定結果の解釈性を両立させるため、実画像のみを利用する統計的枠組み「RealStats」が提案されました。 この手法は、複数の既存検出器から得られる統計量を実画像の分布に基づいた「p値」へと変換し、それらを厳密な統計的手法で統合することで、対象画像が実画像の分布からどれだけ逸脱しているかを確率的に評価します。 学習に偽画像を一切必要としないため、進化し続ける新しい生成モデルに対しても頑健であり、出力されるスコアは「その画像が実画像である確率」として統計的に明確な意味を持つため、信頼性の高い判定を実現しています。

なぜこの問題か

生成AI技術の急速な進歩により、人間には実物と区別がつかないほど高精細な偽画像が容易に作成されるようになり、その検出は社会的な信頼を維持する上で極めて重要な課題となっています。これまでの主要なアプローチは、実画像と偽画像の両方を用いてモデルを学習させる「教師あり学習」でしたが、これには大きな弱点がありました。それは、学習時に使用した特定の生成モデルの癖には強いものの、未知の新しい生成モデルが登場すると検出精度が著しく低下するという適応性の問題です。また、これらのモデルが出力するスコアは、単にクラスを分離するための数値に過ぎず、統計的な根拠や信頼度としての解釈が難しいという「解釈性」の課題も抱えていました。 既存の「学習不要（training-free）」な手法も提案されていますが、それらは特定のヒューリスティックな統計量、例えばノイズに対する安定性や再構成誤差などに依存しており、特定の条件下でしか機能しないことが少なくありません。ある生成モデルで作られた画像には有効な統計量でも、別のモデルでは実画像と偽画像の関係が逆転してしまうといった現象が確認されています。…

核心：何を提案したのか

本研究では、偽画像検出を「実画像分布に対する統計的仮説検定」として再定義する、厳密な統計的フレームワーク「RealStats」を提案しました。このフレームワークの最大の特徴は、偽画像のデータを一切使用せず、実画像のみから構築される点にあります。具体的には、対象となる画像が「実画像の分布からサンプリングされたものである」という帰無仮説を立て、その妥当性を複数の統計量を用いて検証します。これにより、検出器は特定の偽物の特徴を追いかけるのではなく、実画像が持つ本来の統計的性質からの「ズレ」を検知することに専念できます。 RealStatsは、複数の異なる特徴抽出器や検出手法を統合できるモジュール式の構造を持っています。それぞれの検出器が出力するスカラー値を、実画像の参照データセットから得られた経験的累積分布関数（ECDF）を用いて「p値」に変換します。…

続きはログイン/プランで閲覧できます。