AIによる画像生成がどんどんリアルになるにつれ、「この画像は本物なのか、それともAIが生成したものなのか」という問いは、答えるのがますます難しい問題になってきました。さらに一歩進んだ課題は、AI生成画像に不自然なアーティファクトがある場合、それを単に検出・マークするだけでなく、直接修復できないか、ということです。北京大学などの研究機関のチームは、検出と修復を同一のクローズドループに統合したオープンソースフレームワーク「GenShield」を提案しました。

GenShieldとは

GenShieldは自己回帰アーキテクチャに基づく統合フレームワークで、AI生成画像の検出とアーティファクト修復を同じモデルの中で完結させます。単純に「本物か偽物か」を判断するのではなく、問題がどこにあり、なぜ問題なのかを指摘し、さらに画像をより自然な状態へと修復します。

GenShieldフレームワークの核心：検出と修復は孤立した2つのタスクではなく、相互に促進し合うものです。

3つの核心機能

解釈可能な検出

モデルはreal/fakeの判断だけを出力するのではなく、画像内容の説明とアーティファクト分析の根拠も生成します。「この画像はAI生成です」と告げるだけでなく、「指の構造が不自然で、光影の方向に一貫性がないから」といった説明までしてくれる、と考えてください。

制御可能なアーティファクト修復

診断情報に基づいて、画像中の異常領域をピンポイントで修復しつつ、主体のセマンティクスと全体構造はできるだけ変えません。

複数ステップの自己修復（Visual CoT）

モデルは人間が「まず確認し、次に修正し、再度確認する」ように、複数ラウンドの診断と修復を行います。画像が十分自然になった時点で、モデルは自動的に「明らかなアーティファクトは見つかりませんでした」と出力して停止します。

モデルは画像が自然になるまで、複数ラウンドの「診断→修復」ループを実行します。

学習データ：GenShield-Set

チームは専用データセットGenShield-Setを構築しました。2つのパートで構成されます：

• GenShield-Set-Detect：解釈可能な検出の学習用。実在の画像とAI生成画像、そして構造化された検出回答を含む
• GenShield-Set-Correct：アーティファクト修復の学習用。10,000組を超える高品質な「異常画像と修復画像」のペアデータを含む

実験結果

AI生成画像の検出タスクでは：

• Holmes-Setベンチマークで**平均精度98.8%とA.P. 99.8%**を達成
• 非LLM系およびLLMベースの複数の検出手法を上回る結果

アーティファクト修復タスクでは：

• GPT-Image、FLUX-Pro、Qwen-Image-Editなどの手法と比較
• 構造一貫性、物理的整合性、局所的な歪みなどの次元で、より低い残存アーティファクトスコアを達成
• HPSv3、CLIP-Score、PickScoreなどの客観指標で最高またはトップクラスの結果

技術的ハイライト：VCoTカリキュラム学習

学習プロセスは2段階に分かれます：

第1段階：モデルは解釈可能な検出と指示に基づく修復を同時に学習し、安定した実画像生成の事前知識を確立します。

第2段階：検出は学習に参加し続け、修復は複数ラウンドの自己修復にグレードアップします。問題を含む可能性のある画像が与えられると、モデルはまず診断テキストを生成し、その診断に基づいて修復を行い、画像が十分自然になるまでループを実行します。

この設計により、検出と修復は正のフィードバックを形成します。検出が異常領域の発見を助け、修復が逆にモデルのアーティファクトへの感度を高めるのです。

プロジェクトリソース

• 論文タイトル：GenShield: Unified Detection and Artifact Correction for AI-Generated Images
• 論文リンク：https://arxiv.org/abs/2605.16122
• コードリポジトリ：https://github.com/zhipeixu/GenShield

こんな人に向いています

• コンテンツモデレーションチーム：プラットフォーム上のAI生成コンテンツを一括検出
• ニュース機関：画像の真偽を検証
• セキュリティ研究：AI画像フォレンジックとアンチフェイク技術の研究
• 信頼できるAIシステム：検出＋修復を生成フローに統合し、出力品質を向上