AIの目線は嘘をつく：生成画像を見抜く新しい観点

生成AIが作る画像の「粗さ」は、もはやほとんど見えなくなってきている。ピクセルのノイズ、周波数の乱れ、アップサンプリングの痕跡——こうした低レベルの手がかりは、最新モデルがほぼ消し去ることに成功している。では、何が残るのか。arxivに公開された論文「When Eyes Betray AI」が提示するのは「Social Gaze Consistency（社会的視線整合性）」という概念だ。要するに、複数の人物が写るシーンで「誰がどこを見ているか」の辻褄が、AI生成画像ではまだ崩れやすいという発見である。顔の質感が完璧でも、視線の向き・瞳の位置・頭と目のズレが「会話として成立していない」ことが、フェイク判定の新しい軸になりうると示された。

なぜ今この研究が注目に値するのか。背景を整理したい。

AI生成画像の検出技術は長らく「低レベルの痕跡探し」に頼ってきた。ところが、Midjourney・Stable Diffusion・DALL-Eなどの世代が進むにつれ、そうした痕跡はほぼ消滅に近い状態になっている。検出側が後手に回り続けているのが現状だ。

そこに「視線の社会的整合性」という切り口が登場した。これは画像の物理的な正確さではなく、「人間同士の自然なコミュニケーションとして成立しているか」という意味的な整合性の問題だ。人間の目は社会的なシグナルとして機能しており、会話・注目・感情共有といった文脈で「誰がどこを見るか」には強い文化的・認知的な規則がある。生成モデルはこの暗黙のルールを十分に学習できていないと論文は示す。

実用的な文脈で考えると、影響は広い。LP・広告・SNS投稿で「複数人が映るシーン」を生成AIで作るケースは急増している。そのような素材のクオリティチェックや、逆にフェイク素材を見抜く判断軸として、この観点は即座に使える。視線データでドライバーの疲労をリアルタイム検知でも触れたように、視線情報はAI分野でますます活用されているが、「視線の社会的なつながり」に着目した検出アプローチはこれまでほとんど議論されてこなかった分野だ。

精度面では、既存の検出モデル（FakeVLM）に今回の手法を組み合わせることで、特定のサブセットで最大3.7ポイントの精度向上が確認されている。数字としては控えめに見えるが、「低レベルの手がかりが機能しない難しいケースで有効」という文脈に置くと意味合いが変わる。

Q. 一人で写っている画像には使えない観点？

そのとおり。今回の「Social Gaze Consistency」は、複数の人物が写るシーンでこそ効果を発揮する検出軸だ。一人の人物ポートレートの場合、論文が示す精度向上の恩恵は受けにくい。一人物シーンの検出には引き続き既存の低レベル手がかり検出ツールを使うのが現実的。

Q. この手法はすでにツールとして使えるの？

論文はarxivに公開されたばかりの段階（2025年5月時点）で、一般向けのプロダクトやAPIとして提供されているわけではない。研究で使われたデータセットや手法の詳細は論文中に記載されている。実用ツールとして使いたい場合は、現時点ではHive ModerationやSightEngineなどの既存サービスが最も近い選択肢になる。ただし、これらは視線整合性ではなく従来の手法ベースであることに注意。

Q. 生成AI画像の「視線問題」はプロンプトで完全に解決できる？

現状では「改善できる」が「完全解決できる」とは言いにくい。論文が指摘しているのは、生成モデルが社会的な視線ルールを構造的に学習しきれていないという問題であり、プロンプトで視線を指示してもモデルの内部表現の限界は残る。特に複雑なグループシーンや、視線の先にある感情的なニュアンスが必要な場面では、生成後のチェックと必要に応じた手動修正（inpaintingなど）の組み合わせが現実的なアプローチになる。