ترجمه فارسی مقاله تشخیص غیرقابل کشف: ترکیب شبکه های Kolmogorov-Arnold و MLP برای تشخیص تصویر تولید شده توسط هوش مصنوعی

چکیده

As artificial intelligence progresses, the task of distinguishing between real and AI-generated images is increasingly complicated by sophisticated generative models. This paper presents a novel detection framework adept at robustly identifying images produced by cutting-edge generative AI models, such as DALL-E 3, MidJourney, and Stable Diffusion 3. We introduce a comprehensive dataset, tailored to include images from these advanced generators, which serves as the foundation for extensive evaluation. we propose a classification system that integrates semantic image embeddings with a traditional Multilayer Perceptron (MLP). This baseline system is designed to effectively differentiate between real and AI-generated images under various challenging conditions. Enhancing this approach, we introduce a hybrid architecture that combines Kolmogorov-Arnold Networks (KAN) with the MLP. This hybrid model leverages the adaptive, high-resolution feature transformation capabilities of KAN, enabling our system to capture and analyze complex patterns in AI-generated images that are typically overlooked by conventional models. In out-of-distribution testing, our proposed model consistently outperformed the standard MLP across three out of distribution test datasets, demonstrating superior performance and robustness in classifying real images from AI-generated images with impressive F1 scores.

چکیده به فارسی (ترجمه ماشینی)

با پیشرفت هوش مصنوعی ، وظیفه تمایز بین تصاویر واقعی و تولید شده توسط AI به طور فزاینده ای توسط مدلهای تولیدی پیشرفته پیچیده است.در این مقاله یک چارچوب تشخیص جدید که در شناسایی قوی تصاویر تولید شده توسط مدل های AI تولیدی برش ، مانند Dall-E 3 ، Midjourney و Patable Diffusion 3 ارائه شده است ، ارائه شده است. ما یک مجموعه داده جامع را معرفی می کنیم ، متناسب با تصاویر از این ژنراتورهای پیشرفته ،که به عنوان پایه و اساس ارزیابی گسترده است.ما یک سیستم طبقه بندی را پیشنهاد می کنیم که تعبیه های تصویر معنایی را با یک Perceptron چند لایه سنتی (MLP) ادغام می کند.این سیستم پایه برای تمایز مؤثر بین تصاویر واقعی و AI در شرایط مختلف چالش برانگیز طراحی شده است.با تقویت این رویکرد ، ما یک معماری ترکیبی را معرفی می کنیم که شبکه های Kolmogorov-Arnold (KAN) را با MLP ترکیب می کند.این مدل ترکیبی از قابلیت های تطبیقی ​​تطبیقی ​​و با وضوح بالا قابلیت تحول از KAN استفاده می کند و سیستم ما را قادر می سازد تا الگوهای پیچیده را در تصاویر تولید شده AI ضبط و تجزیه و تحلیل کند که معمولاً توسط مدل های معمولی نادیده گرفته می شوند.در آزمایش خارج از توزیع ، مدل پیشنهادی ما به طور مداوم از MLP استاندارد در سه مجموعه داده آزمایش خارج از توزیع بهتر عمل می کند ، و عملکرد برتر و استحکام در طبقه بندی تصاویر واقعی از تصاویر تولید شده توسط AI با نمرات چشمگیر F1 را نشان می دهد.