画像自己回帰モデル（Image Autoregressive Models、IAR）は近年、視覚コンテンツ生成において目覚ましい能力を示している。大規模言語モデルで用いられる「次トークン予測」のパラダイムを応用することで、写実的な品質と高速な合成を実現している。こうしたモデルが広く利用可能になるにつれ、IAR が生成した画像を、それを合成した元モデルまで確実にたどるための堅牢なデータ来歴（プロベナンス）の仕組みが求められている。これは誤情報の拡散防止、詐欺の検出、有害コンテンツの帰属特定にとって極めて重要である。
Bihe Zhao 氏ら6名の著者による論文「Data Provenance for Image Auto-Regressive Generation」はこの課題に取り組んでいる。本論文は2026年6月22日に arXiv に投稿され、識別子は arXiv:2606.28386v1、コンピュータビジョンとパターン認識（cs.CV）に分類され、人工知能（cs.AI）にも関連する。また ICLR 2026 に採択されている。
研究チームは、IAR が生成した画像はしばしば実画像と視覚的に見分けがつかないほど似ているものの、その生成過程が出力に特徴的なパターンをもたらすことを発見した。このパターンは、生成画像の信頼できる来歴シグナルとして機能する。これを活用し、著者らはそうしたパターンを頑健に検出して来歴を追跡する事後（post-hoc）フレームワークを提案している。
このフレームワークの重要な特徴は、生成プロセスや生成出力を変更する必要がない点である。そのため、従来の電子透かし（ウォーターマーク）手法が使えない状況、たとえば追加のマークなしにすでに公開された生成コンテンツや、透かし機能を統合していないモデルに対しても適用できる。著者らは多様な IAR モデルに対して手法の有効性を示し、自己回帰的な画像生成における堅牢なデータ来歴追跡の高い可能性を強調している。
時系列の詳細としては、本論文は2026年6月22日 17:06:05 UTC にバージョン v1 として投稿され、ファイルサイズは約862 KBである。PDF、実験的な HTML、TeX ソースなど複数の閲覧手段が提供され、DataCite を通じて DOI（https://doi.org/10.48550/arXiv.2606.28386）が割り当てられている。読者は NASA ADS、Google Scholar、Semantic Scholar などのツールを通じて引用情報を取得できる。総じて本成果は、自己回帰的な画像生成がもたらす来歴上の課題に対し、透かしに依存せず、すでに公開されたコンテンツにも適用可能な実用的な解決策を提示している。