検出器がフォレンジックを忘れるとき：汎用性の高いAI生成画像検出のための意味的ショートカットの遮断

Abstract

AI生成画像検出は、生成AIの急速な進展に伴い、ますます重要性を増している。しかし、Vision Foundation Models（VFM、例えばCLIP）に基づく検出器は、未知の生成パイプラインで作成された画像に対して一般化することが困難であることが多い。私たちは初めて、VFMベースの検出器が分布シフト時に偽造特有の痕跡ではなく、アイデンティティなどの主要な事前訓練された意味的先入観に依存するという重要な失敗メカニズム「意味的フォールバック」を特定した。この問題に対処するために、固定されたVFMを意味的ガイドとして活用し、学習可能なVFMをアーティファクト検出器として用いることで、学習表現から意味的成分を明示的に除去するパラメータ不要のモジュール「Geometric Semantic Decoupling（GSD）」を提案する。GSDはバッチ単位の統計情報から意味的方向を推定し、それらを幾何学的制約により射影除去することで、アーティファクト検出器が意味に依存しないフォレンジック証拠に依存するように強制する。広範な実験により、本手法が最先端手法を一貫して上回り、クロスデータセット評価で94.4%のビデオレベルAUC（+1.2%）を達成し、未知の改ざんへのロバスト性を向上（DF40で+3.0%）、顔検出を超えた一般シーンの合成画像検出へも一般化可能であること（UniversalFakeDetectで+0.9%、GenImageで+1.7%）を示した。