AI生成画像がインターネット上で急増する中、その一部は娯楽目的にとどまらず、ソーシャルメディア利用者を狙った詐欺やソーシャルエンジニアリング攻撃に悪用されている。こうした状況では、合成コンテンツを検出するだけでなく、なぜそう判断したのかを説明できる仕組みが求められる。しかし既存の検出器には課題が多い。学習時に見た生成器に過学習しやすく、検出を不透明な二値分類として扱い、あるいは出力の説明に高コストな大規模言語モデル（LLM）に依存している。
Jay Barot氏とDan Lin氏による論文「TruEye: Fine-Grained Detection of AI-Generated Human Subjects in Images」は、こうした問題に対処するTruEyeを提案する。TruEyeは、AIによって改変または生成された人物とシーンを細粒度で検出・位置特定するモデルである。従来の検出器が単一の真偽ラベルを付与するのに対し、TruEyeは合成コンテンツの5つの構成分類を区別する点を初めて実現した。中でも最も難しいのは、実在の人物が、その人物が実際には存在しなかった実在のシーンに合成されるケースである。この種の画像は本物の素材を含みながら巧みに組み合わされているため、全体の真偽だけを見る判定では見抜きにくい。
TruEyeの中核は、マスクを条件とするデュアルストリームTransformerである。人物トークンとシーントークンを分離して処理しつつ、パッチレベルの空間的対応関係を保持する。これにより、人物と背景をそれぞれ推論しながら、画像内での位置関係を失わずに扱える。各ストリーム内では専門的な推論を行い、ストリーム間では領域ゲート付きクロスアテンションによって被写体と背景の意味的な整合性を強制する。その結果、画像が合成されているかどうかを判定するだけでなく、該当領域を特定し、解釈可能な予測を提示できる。
特筆すべきは、TruEyeがこうした能力をLLMを呼び出さずに実現している点である。トークンレベルの教師信号と全体的な構成分類によって判断を行う。ストリーム内の注意を意味的に整合したトークンに限定することで、LLMベースの競合手法より100倍以上高速に動作する。ネットワーク上の画像を大規模にスクリーニングする用途では、この速度差は大きな意味を持つ。
著者らは6つのデータセットと新たに構築したFineSynデータセットで実験を行った。その結果、TruEyeは最先端の検出器を精度で上回り、推論速度も速く、学習時に見ていないAI生成画像や改変画像に対する汎化性能も高いことを示した。論文は18ページ、図3点からなり、コンピュータビジョンとパターン認識の分野に分類され、2026年6月25日にarXivへ投稿された。