[論文レビュー] FIND: A Simple yet Effective Baseline for Diffusion-Generated Image Detection

Jie Li, Yingying Feng+4 more|arXiv (Cornell University)|Mar 15, 2026

Advanced Neuroimaging Techniques and Applications被引用数 0

ひとこと要約

FIND は実画像へガウスノイズを加え、ノイズ化した版を合成画像としてラベル付けすることで再構成モデルを必要とせず、GenImage で最先端の精度と速度を実現する二値分類器を訓練する。

ABSTRACT

The remarkable realism of images generated by diffusion models poses critical detection challenges. Current methods utilize reconstruction error as a discriminative feature, exploiting the observation that real images exhibit higher reconstruction errors when processed through diffusion models. However, these approaches require costly reconstruction computations and depend on specific diffusion models, making their performance highly model-dependent. We identify a fundamental difference: real images are more difficult to fit with Gaussian distributions compared to synthetic ones. In this paper, we propose Forgery Identification via Noise Disturbance (FIND), a novel method that requires only a simple binary classifier. It eliminates reconstruction by directly targeting the core distributional difference between real and synthetic images. Our key operation is to add Gaussian noise to real images during training and label these noisy versions as synthetic. This step allows the classifier to focus on the statistical patterns that distinguish real from synthetic images. We theoretically prove that the noise-augmented real images resemble diffusion-generated images in their ease of Gaussian fitting. Furthermore, simply by adding noise, they still retain visual similarity to the original images, highlighting the most discriminative distribution-related features. The proposed FIND improves performance by 11.7% on the GenImage benchmark while running 126x faster than existing methods. By removing the need for auxiliary diffusion models and reconstruction, it offers a practical, efficient, and generalizable way to detect diffusion-generated content.

研究の動機と目的

• 拡散生成画像の堅牢な検出を動機づけ、再構成ベースの検出器における一般化と効率のギャップに対処する。
• ノイズ強化を通じて実画像と合成画像の分布差を利用し、再構成レスのベースラインを提案する。
• 実画像をノイズ perturb することがなぜガウス適合において拡散生成データに似せるのかを理論的に正当化する。
• 複数の生成器にまたがる GenImage での高精度と極端な速度優位を実証的に示す。

提案手法

• 拡散再構成の文脈では、実画像は合成画像よりガウス分布に適合させるのが難しいと仮定する。
• 訓練中に実画像へガウスノイズを加え、これらのノイズ付きサンプルを合成画像としてラベル付けして、分布に焦点を当てた識別特徴を誘導する。
• 再構成や補助的な拡散モデルを用意せず、実画像・ノイズ実画像・合成画像上で単純な二値分類器を訓練する。
• ノイズ拡張がフィッシャー情報を低下させ、ノイズ付き実画像分布が分類器にとって合成分布に似ることを示す。
• ViT-B/16 および RN50 のバックボーンで GenImage 上の FIND を評価し、再構成ベースのベースラインと比較する。
• 推論には再構成を必要とせず、既存の最先端手法より著しく高速であることを示す。

Figure 1: Comparison between FIND and previous noise-based methods. (a) DIRE utilizes complete reconstruction by adding noise and then denoising it with a Diffusion Model (DM) in multiple steps; (b) LaRE 2 compresses the noise addition and denoising steps into a single step within the latent space;

実験結果

リサーチクエスチョン

• RQ1 再構成不要な二値分類器は実画像と拡散生成画像を効果的に区別できるか。
• RQ2 実画像へのガウスノイズ拡張は分布を拡散生成データに似せ、検出を改善するか。
• RQ3 FIND は再構成ベースの検出器と比べて複数の拡散生成器に対して一般化できるか。

主な発見

• FIND は RN50 と ViT-B/16 の両バックボーンで GenImage における平均精度が従来法より高い。
• ViT-B/16 では、GENerator 全体での平均精度が 88.35% に達し、FatFormer および LaRE 2 を上回る。
• FIND は再構成モデルや拡散ベースの再構成を必要とせず、最先端手法と比較して推論を 126 倍高速化する。
• 実画像へのランダムガウスノイズを用いた訓練は性能を大幅に向上させ、特に実画像と実画像および合成データの両方へノイズを加える組み合わせで効果が高い。
• 最適ノイズ大きさ（epsilon）は 50 が、画像の整合性と識別力のバランスをとって最適である。
• FIND は GenImage の 8 種類の拡散生成器を跨いで安定した一般化を示し、クロス生成器での堅牢な性能を示す。

Figure 2: The training framework of FIND. Gaussian noise is added to real images, and these perturbed versions are labeled as synthetic within the training process. This enables FIND to mitigate the reconstruction model dependency, and learn the core distributional differences between real and synth