Компьютерная наука > Компютерное видение и распознавание шаблонов [представлено 8 февраля 2026 года, последний пересмотренный вариант от 24 октября 2026 (эта версия v2)) Название: Насколько хорошо модели обнаружения изображений с открытым исходным кодом находятся вне коробки: всеобъемлющее эталонное исследование Вид PDF HTML (экспериментальное) резюме: А сделанные AI изображения распространяются на цифровых платформах, надежные методы обнаружения приобретают решающее значение для борьбы с дезинформацией и поддержания подлинности содержания. Несмотря на то, что были предложены многочисленные методы глубокого обнаружения, существующие контрольные показатели в основном позволяют оценить усовершенствованные модели и оставляют серьезный пробел в понимании внеплановых показателей -- наиболее распространенный сценарий развертывания для практических работников. Мы представляем первую всеобъемлющую оценку 16 современных методов обнаружения с нулевым исходом, включая 23 предварительно подготовленных детекторных варианта (в связи с несколькими версиями некоторых детекторов) в 12 различных наборах данных, включающих 2,6~миллиметровые образцы изображений, охватывающие 291 уникальный производитель, включая современные модели распространения. Наш системный анализ показывает поразительные выводы: 1)~ не существует универсального победителя, при этом рейтинги детекторов характеризуются значительной нестабильностью (Searman ~ rho$: 0,01 -- 0,87 по парам наборов данных); 2) а) 37~ процентная…
Насколько хорошо модели обнаружения изображений, генерируемые АИ с открытым исходным кодом: всеобъемлющее базовое исследование
arXiv:2602.07814v2 Annualce Type: заменить резюме: По мере распространения изображений, полученных с помощью АИ, через цифровые платформы надежные методы обнаружения стали критически важными для борьбы с дезинформацией и поддержания подлинности контента. Несмотря на то, что были предложены многочисленные методы глубокого обнаружения, существующие контрольные показатели в основном позволяют оценить усовершенствованные модели и оставляют серьезный пробел в понимании внеплановых показателей -- наиболее распространенный сценарий развертывания для практических работников. Мы представляем первую всеобъемлющую оценку 16 современных методов обнаружения с нулевым исходом, включая 23 предварительно подготовленных детекторных варианта (в связи с несколькими версиями некоторых детекторов) в 12 различных наборах данных, включающих 2,6~миллиметровые образцы изображений, охватывающие 291 уникальный производитель, включая современные модели распространения. Наш систематический анализ показывает поразительные выводы: 1)~ не существует универсального победителя, а рейтинги детекторов характеризуются значительной нестабильностью (Schearman ~ rhould: 0,01 -- 0,87 по парам наборов данных)