Ai Image Detect Distilled

🚀 AI検出モデル

このAI検出モデルは、画像分類タスクに特化しており、AI生成画像と実画像の識別を高精度に行うことができます。複数のモデルを統合し、多様なAI生成技術に対応することで、高い汎化性能を実現しています。

📚 ドキュメント

モデルアーキテクチャと学習

最初に3つの別々のモデルを学習させました。

1. Midjourney生成画像 vs. 実画像
2. Stable Diffusion生成画像 vs. 実画像
3. Stable Diffusion微調整生成画像 vs. 実画像

データ準備プロセスは以下の通りです。

• 実画像にはGoogleのOpen Image Datasetを使用しました。
• BLIP (Bootstrapping Language-Image Pre-training)を用いて実画像を記述しました。
• BLIPの記述を基にStable Diffusion画像を生成しました。
• BLIPの記述に基づいて類似するMidjourney画像を見つけました。

このアプローチにより、実画像とAI生成画像は可能な限り類似し、起源のみが異なるようになりました。

その後、これら3つのモデルを1180万のパラメータを持つ小型のViTモデルに蒸留し、学習した特徴を組み合わせることで、より効率的な検出を実現しました。

データソース

• GoogleのOpen Image Dataset: リンク
• Ivan SivkovのMidjourneyデータセット: リンク
• TANREI(NAMA)のStable Diffusionプロンプトデータセット: リンク

性能

• 検証セット: 74%の精度

  • 学習データから分離して汎化性能を評価しました。

• カスタム実世界セット: 72%の精度

  • 自撮り画像とオンラインから入手した画像で構成されています。
  • インターネット上の画像をより代表するように設計されています。

• 比較分析:

  • 両方のセットで他の人気のAI検出モデルを5パーセントポイント上回りました。
  • 他のモデルは検証セットと実世界セットでそれぞれ89%と79%の精度を達成しました。

重要な洞察

1. 検証データでの強い汎化性能 (75%の精度)
2. 多様な実世界画像への良好な適応性 (72%の精度)
3. 他の人気モデルを一貫して上回る性能
4. 検証セットから実世界セットへの精度低下が10ポイントあり、改善の余地があること
5. 複数のAI生成技術に対する包括的な学習がモデルの汎用性に貢献していること
6. 画像の内容ではなく、生成方法の微妙な違いに焦点を当てていること

将来の方向性

• より多様な実世界の例を含むデータセットを拡張し、性能のギャップを埋める
• インターネット上の画像への汎化性能を向上させる
• 誤分類されたサンプルのエラー分析を行い、パターンを特定する
• 新しいAI画像生成技術が登場したら統合する
• 検出精度が重要な特定のドメインに対する微調整を検討する

📄 ライセンス

このモデルはMITライセンスの下で提供されています。

📊 モデル情報