講演情報
[N-1-37]拡散モデル生成画像検出に寄与する微細要素成因の調査
◎大和田 拓海1、神野 健哉1 (1. 東京都市大学)
キーワード：
拡散モデル、DDPM、フェイク画像検出、CNN
近年，拡散モデルによる画像生成技術の向上に伴い，その検出技術の重要性が増している．従来手法は高解像度画像全体に高負荷なニューラルネットワークを適用するが，我々の先行研究では画像を小さな局所領域に分割する手法が軽量かつ高精度な検出を行うことを示し画像輝度エントロピーが低い領域ではさらなる精度向上が確認された．
これは，検出に寄与する特徴が被写体の大局的構造のみではなく，画像全体に広く分布する微細要素であることを示唆するものである．
本稿で実験対象とするDDPMは，拡散過程で画像に徐々ノイズを加え，それを除去するように学習して画像を生成する拡散モデルの一種である．学習は通常，簡易化された目的関数を最小化し，ノイズを予測するが，これは本来の変分下界 (VLB) から各時刻の重み係数を単純化した近似である．微細・高周波な要素ほど拡散過程初期の低ノイズな段階から強い影響を受ける．
本稿では微細要素の成因を調査するため，学習過程における目的関数の時刻重みの違いによる生成画像の性質及び検出再現率への影響を検討した．その結果，拡散過程初期段階における重みを抑制するほど生成画像の高周波成分が増大し，生成画像検出器による検出再現率が低下する傾向が見られた．
これは，検出に寄与する特徴が被写体の大局的構造のみではなく，画像全体に広く分布する微細要素であることを示唆するものである．
本稿で実験対象とするDDPMは，拡散過程で画像に徐々ノイズを加え，それを除去するように学習して画像を生成する拡散モデルの一種である．学習は通常，簡易化された目的関数を最小化し，ノイズを予測するが，これは本来の変分下界 (VLB) から各時刻の重み係数を単純化した近似である．微細・高周波な要素ほど拡散過程初期の低ノイズな段階から強い影響を受ける．
本稿では微細要素の成因を調査するため，学習過程における目的関数の時刻重みの違いによる生成画像の性質及び検出再現率への影響を検討した．その結果，拡散過程初期段階における重みを抑制するほど生成画像の高周波成分が増大し，生成画像検出器による検出再現率が低下する傾向が見られた．