図：AI生成画像の技術的検出アプローチと限界の概念図
数年前まで「AIが作った画像」と「カメラで撮った写真」は、見れば大抵わかるものでした。指の本数がおかしい、文字が崩れている、背景が歪んでいる——そうした破綻が手がかりになっていたのです。しかし2024年以降の生成モデルの進歩により、こうした破綻はほとんど見られなくなりました。いまや一般の人が肉眼でAI生成画像と実写を見分けることは、ほぼ不可能になりつつあります。
この変化は、写真の真正性が問われる現場に直接の脅威をもたらします。存在しない損害写真、実在しない物件の内装、捏造された証拠画像——これらが「本物そっくり」に、しかも数秒で生成できる時代になりました。本記事では、AI生成画像を技術的にどう検出するのか、その原理と限界を、技術者でなくても理解できる形で整理します。
AI生成画像とは何か
拡散モデルの基本的な仕組み
現在主流のAI画像生成（Stable Diffusion、Midjourney、DALL-E、Adobe Firefly など）の多くは 拡散モデル（Diffusion Model） と呼ばれる方式を採用しています。
拡散モデルの考え方はシンプルです。
- 学習段階では、大量の画像に少しずつノイズを加え、最終的に完全なノイズになるまでの過程を記録する
- そのうえで「ノイズから元画像を復元する」逆方向の処理を学習する
- 生成段階では、ランダムなノイズから出発し、学習した復元処理を繰り返して画像を作り上げる
つまりAI生成画像は、現実の光をレンズが捉えた記録ではなく、ノイズを統計的に整形して作られた数値の集合 です。この生成過程の違いが、後述する検出技術の手がかりになります。
なぜ肉眼での判別が難しくなったのか
初期のGAN（敵対的生成ネットワーク）ベースの画像には、目の対称性の崩れや背景の繰り返しパターンといった特徴的な破綻がありました。拡散モデルはこうした破綻を大幅に減らし、解像度も飛躍的に向上しました。加えて、生成画像をわざと再圧縮したりノイズを加えたりする「アンチ検出」加工も容易になっています。
結果として、人間の目による判別は信頼できる手段ではなくなりました。検出は機械的・統計的なアプローチに頼る必要があります。
図：実写は現実の記録、AI生成は統計的な創造物という根本的な違い（この差が検出の手がかりになる）
AI生成画像の技術的検出アプローチ
アプローチ①：周波数領域のアーティファクト
生成モデル、特にアップサンプリング処理を含むネットワークは、画像の周波数スペクトルに 人工的な規則性 を残すことがあります。実写の自然なノイズ分布とは異なり、特定の周波数帯にスパイク状のパターンが現れるのです。これをフーリエ変換で解析すると、肉眼では見えない「生成の痕跡」を捉えられます。
アプローチ②：統計的な指紋（フィンガープリント）
各生成モデルは、その構造に由来する固有のノイズパターン（モデル指紋）を画像に残すことが知られています。実写のセンサーノイズ（PRNUなど）とは統計的性質が異なるため、ピクセルレベルの微細な分布を分析することで判別の手がかりになります。
アプローチ③：学習ベースの分類器
最も実用的なのが、大量の「実写」と「AI生成画像」を学習させた CNN（畳み込みニューラルネットワーク）分類器 です。人間が言語化できない微細な特徴も含めて、画像全体から「これはAI生成らしいか」を確率として出力します。後述するImprintの実装もこのアプローチを採用しています。
アプローチ④：メタデータとコンテンツクレデンシャル
技術的な解析とは別に、画像に付随する情報からの判定もあります。Adobe Firefly など一部の生成ツールは、C2PA（Coalition for Content Provenance and Authenticity） に準拠した来歴情報を画像に埋め込みます。この情報を読み取れば「この画像はどのツールで生成・編集されたか」を直接確認できます。ただしメタデータは削除も改ざんも容易なため、これ単独では決定的な証拠になりません。
Imprintにおけるアンサンブル判定
単一の分類器には必ず得意・不得意があります。あるモデルが見逃す生成画像を、別のモデルは捉えることがあります。そこでImprintでは、3つの独立した検出モデルのアンサンブル（合議制） を採用しています。
| モデル | 特性 |
|---|---|
Heem2/AI-image-detection |
汎用的なAI生成画像の判定 |
Organika/sdxl-detector |
SDXL系（高解像度拡散モデル）に強い |
umm-maybe/AI-image-detector |
幅広い生成手法をカバー |
3モデルそれぞれが出力したスコアの 平均値 で最終判定を行うことで、単一モデルの偏りや見逃しを緩和します。1つのモデルが過剰反応しても、他の2モデルが補正する設計です。
図：3モデルの合議制（1モデルが過剰反応しても他の2モデルが補正するため単一モデルより安定）
判定結果は真正性スコア（100点満点の減点方式）に次のように反映されます。
- AI生成画像と判定：-50点
- AI生成の疑い：-30点
減点幅が大きいのは、AI生成が真正性に対して最も重大な脅威だからです。実在しない損害や物件を「写真」として提出されることは、改ざんよりも根本的な問題を含みます。
検出の限界と誤検知リスク
AI生成画像の検出は強力ですが、ELAと同じく万能ではありません。限界を正確に理解することが実務では不可欠です。
限界①：新しいモデルへの追従が遅れる
検出モデルは「過去に存在した生成手法」を学習しています。まったく新しいアーキテクチャの生成モデルが登場すると、既存の検出器はその痕跡を学習しておらず、検出精度が一時的に低下します。生成側と検出側は常にいたちごっこの関係にあります。
限界②：再圧縮・SNS経由で痕跡が薄れる
生成画像をJPEGで再圧縮したり、SNSにアップロードして自動変換を経たりすると、検出の手がかりとなる微細な統計的痕跡が失われます。意図的に低画質化された画像では検出が難しくなります。
限界③：部分的なAI補完は特に難しい
写真全体を生成するのではなく、実写の一部だけをAIで描き換える手法（Generative Fill、インペインティング）は検出が困難です。画像の大半が本物のセンサーデータであるため、全体としての統計的特徴は「実写寄り」になりがちです。この場合はELAなど局所的な改ざん検出との併用が有効です。
限界④：誤検知（False Positive）が発生する
過度な後処理（強いノイズ除去、HDR合成、美肌フィルタ等）を施した実写は、AI生成画像に似た統計的特徴を示すことがあります。逆に「AI生成」と誤判定されるリスクがあるため、スコアはあくまで参考情報として扱い、他の証拠と統合して判断する運用が適切です。
図：AI検出の4つの限界（検出は「事後的」アプローチ。本質的解決は撮影時の真正性担保）
他の検出手法との組み合わせ
AI生成画像の判定は、単独ではなく複数の解析と組み合わせることで信頼性が高まります。
| 手法 | 補完関係 |
|---|---|
| ELA（誤差水準解析） | AIが苦手な「部分的な貼り付け・合成」を局所的に検出 |
| EXIF解析 | カメラ機種・レンズ情報の有無で「撮影された写真」かを傍証 |
| C2PA来歴情報 | 生成ツールが付与した来歴を直接確認 |
| RFC 3161 タイムスタンプ | 「この時刻にこのデータが存在した」事実を法的に固定 |
Imprintはこれらをすべて一枚の画像で同時に実行し、100点満点の真正性スコアとして統合します。AI判定が「疑い」にとどまる場合でも、EXIFの欠落やELAの異常と組み合わせることで、総合的な評価の確度を上げられます。
業界別の活用シーン
損害保険
存在しない損害写真や、被害を誇張した合成画像の提出は、AI生成によって今後さらに容易になります。査定段階でAI生成スコアを確認するフローを組み込むことで、明らかに統計的特徴がAI寄りの画像を早期に抽出できます。ただしスコア単独で支払い判断を下すのではなく、現場確認や追加資料の請求につなげる「フラグ」として運用するのが現実的です。
不動産
実在しない物件の内装・外観をAIで生成し、広告に使用するケースが懸念されます。物件写真の入稿時にAI生成チェックを通すことで、虚偽表示のリスクを事前に抑えられます。
法務・訴訟
証拠として提出された画像がAI生成である可能性を技術的に検証する用途です。ただしAI検出スコアだけで法廷において「捏造」を立証することはできません。専門家証言やRFC 3161タイムスタンプと組み合わせることが前提になります。
まとめ：検出は「事後対応」、本質は撮影時の担保
AI生成画像の検出技術は急速に進歩していますが、生成技術もまた進歩を続けます。検出は本質的に「事後的」なアプローチであり、新手法への追従の遅れや誤検知という限界から逃れられません。
AI検出が得意なこと
- 既知の生成モデルで作られた画像の判定
- 画像全体を生成したフェイク写真の検出
AI検出が苦手なこと
- 未知の新しい生成モデルへの即時対応
- 部分的なAI補完（インペインティング）の検出
- 過度に後処理された実写との区別
より確実なのは、撮影の瞬間に真正性を担保する ことです。シャッターを切った瞬間にサーバーがハッシュを記録し、RFC 3161タイムスタンプを取得していれば、「この画像は確かにこの時刻にカメラで撮影され、その後改ざんされていない」ことを証明できます。後からAI生成かどうかを推定するのではなく、最初から本物であることを記録しておくアプローチです。
写真の真正性検証を実際に試したい方は カメラで試す から無料でお試しいただけます。API連携については APIドキュメント をご参照ください。