合成画像の帰属推定のためのマルチビュー・混同誘導アンサンブルフレームワーク

本論文は、text-to-image生成モデルの進歩に伴い重要となるSynthetic Image Attribution (SIA) の課題に対し、DLMMDD Workshop at ICANN 2026のSynthetic Image Attribution Challenge向けに提案されたmulti-view and confusion-guided ensemble frameworkである。複数の相補的アーキテクチャを統合し、生成画像のソースモデルを高精度に識別することを目的とする。公開リーダーボードで99.53%、プライベートで99.20%を達成したと報告している。

先行研究と比べてどこがすごいかは要旨からは不明。ただし、現代のdiffusion-based generators間の類似性増大や多様な後処理操作の存在により正確な識別が困難であるという課題に対し、multi-view ensembleとconfusion-guidedな専門家分類器を導入することで高精度を実現した点が特徴として挙げられている。

技術の肝は、FFT-ConvNeXt、DINOv2、CLIP、Xceptionといった複数の相補的アーキテクチャを統合し、frequency、semantic、forensicの観点から多様な手がかりを捉えることにある。また、圧縮、リサイズ、グレースケール変換、ぼかしなどの現実的な後処理を模擬する広範なdata augmentationを訓練時に適用し、未知の劣化や画像操作に対するrobustnessを向上させる。さらに、ensemble modelのconfusion patternsを分析し、Stable Diffusion 3とStable Diffusion 3.5間の深刻な曖昧性に対処するため、低信頼条件下で選択的に起動する専用のbinary expert classifierを導入。加えて、Tencent Hunyuanのような困難なクラスの識別を改善するclass-adaptive confidence calibrationを適用する。

有効性の検証は、Synthetic Image Attribution Challengeのpublic leaderboardで99.53%、private leaderboardで99.20%を達成したことにより示されている。また、ensemble modelのconfusion patternsを分析し、Stable Diffusion 3とStable Diffusion 3.5間の曖昧性を観察した上で、binary expert classifierを導入して対処している。

議論としては、ensemble modelのconfusion patternsの分析から、Stable Diffusion 3とStable Diffusion 3.5間に severe ambiguity が存在することが観察され、これに対処するために専用のbinary expert classifierを低信頼条件下で選択的に起動する手法を導入している。また、Tencent Hunyuanのような困難なクラスの識別を改善するためclass-adaptive confidence calibrationを適用している。

要旨で参照/比較されている研究や関連手法として、FFT-ConvNeXt、DINOv2、CLIP、Xception、Stable Diffusion 3、Stable Diffusion 3.5、Tencent Hunyuanが挙げられる。また、Synthetic Image Attribution Challenge (DLMMDD Workshop at ICANN 2026) が関連する。ソースコードはhttps://github.com/ZOMIN28/SIAで公開されている。