論文の概要: UniShield: An Adaptive Multi-Agent Framework for Unified Forgery Image Detection and Localization

• arxiv url: http://arxiv.org/abs/2510.03161v1
• Date: Fri, 03 Oct 2025 16:33:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.489533
• Title: UniShield: An Adaptive Multi-Agent Framework for Unified Forgery Image Detection and Localization
• Title（参考訳）: UniShield: 統一された偽画像検出とローカライゼーションのための適応型マルチエージェントフレームワーク
• Authors: Qing Huang, Zhipei Xu, Xuanyu Zhang, Jian Zhang,
• Abstract要約: UniShieldは、さまざまな領域にまたがる画像偽造を検知し、ローカライズできる、新しい統一システムである。 我々はUniShieldが、既存の統一アプローチとドメイン固有検出器の両方を超越して、最先端の結果を達成することを示す。
• 参考スコア（独自算出の注目度）: 20.95924601497973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid advancements in image generation, synthetic images have become increasingly realistic, posing significant societal risks, such as misinformation and fraud. Forgery Image Detection and Localization (FIDL) thus emerges as essential for maintaining information integrity and societal security. Despite impressive performances by existing domain-specific detection methods, their practical applicability remains limited, primarily due to their narrow specialization, poor cross-domain generalization, and the absence of an integrated adaptive framework. To address these issues, we propose UniShield, the novel multi-agent-based unified system capable of detecting and localizing image forgeries across diverse domains, including image manipulation, document manipulation, DeepFake, and AI-generated images. UniShield innovatively integrates a perception agent with a detection agent. The perception agent intelligently analyzes image features to dynamically select suitable detection models, while the detection agent consolidates various expert detectors into a unified framework and generates interpretable reports. Extensive experiments show that UniShield achieves state-of-the-art results, surpassing both existing unified approaches and domain-specific detectors, highlighting its superior practicality, adaptiveness, and scalability.
• Abstract（参考訳）: 画像生成の急速な進歩により、合成画像はますます現実的になり、誤情報や詐欺などの社会的なリスクを生じさせている。 そのため、情報整合性と社会保障を維持する上では、偽画像検出および局所化(FIDL)が不可欠である。 既存のドメイン固有検出手法による顕著な性能にもかかわらず、その実用性は限定的であり、特に専門化が狭かったり、ドメイン間の一般化が貧弱であったり、適応フレームワークが組み込まれていなかったりしている。 これらの課題に対処するために、画像操作、文書操作、DeepFake、AI生成画像など、さまざまな領域にわたる画像偽造を検出およびローカライズ可能な、新しいマルチエージェントベースの統合システムであるUniShieldを提案する。 UniShieldは、認識エージェントと検出エージェントを革新的に統合する。 認識エージェントは、画像の特徴をインテリジェントに分析し、適切な検出モデルを動的に選択し、検出エージェントは、様々な専門家検出器を統一されたフレームワークに統合し、解釈可能なレポートを生成する。 広汎な実験により、UniShieldは最先端の結果を達成し、既存の統一アプローチとドメイン固有の検出器を超越し、その優れた実用性、適応性、拡張性を強調している。

関連論文リスト

• NS-Net: Decoupling CLIP Semantic Information through NULL-Space for Generalizable AI-Generated Image Detection [14.7077339945096]
  NS-Netは、CLIPの視覚的特徴から意味情報を分離する新しいフレームワークである。 実験の結果、NS-Netは既存の最先端手法よりも優れており、検出精度は7.4%向上している。
  論文  参考訳（メタデータ） (2025-08-02T07:58:15Z)
• FakeScope: Large Multimodal Expert Model for Transparent AI-Generated Image Forensics [66.14786900470158]
  本稿では,AIによる画像鑑定に適した専門家マルチモーダルモデル(LMM)であるFakeScopeを提案する。 FakeScopeはAI合成画像を高精度に識別し、リッチで解釈可能なクエリ駆動の法医学的な洞察を提供する。 FakeScopeは、クローズドエンドとオープンエンドの両方の法医学的シナリオで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-31T16:12:48Z)
• Unveiling Zero-Space Detection: A Novel Framework for Autonomous Ransomware Identification in High-Velocity Environments [0.0]
  提案したZero-Space Detectionフレームワークは、教師なしクラスタリングと高度なディープラーニング技術により、潜時行動パターンを識別する。 高速度環境では多相フィルタリングとアンサンブル学習を統合して効率的な意思決定を行う。 実験的評価では、LockBit、Conti、Revil、BlackMatterなど、さまざまなランサムウェアファミリー間で高い検出率を示している。
  論文  参考訳（メタデータ） (2025-01-22T11:41:44Z)
• SIDA: Social Media Image Deepfake Detection, Localization and Explanation with Large Multimodal Model [48.547599530927926]
  ソーシャルメディア上で共有される合成画像は、広範囲の聴衆を誤解させ、デジタルコンテンツに対する信頼を損なう可能性がある。 ソーシャルメディア画像検出データセット(SID-Set)を紹介する。 本稿では,SIDA という画像深度検出,局所化,説明の枠組みを提案する。
  論文  参考訳（メタデータ） (2024-12-05T16:12:25Z)
• Present and Future Generalization of Synthetic Image Detectors [0.6144680854063939]
  この研究は系統的な分析を行い、その洞察を用いて、堅牢な合成画像検出器の訓練のための実践的ガイドラインを開発する。 モデル一般化機能は、実際のデプロイメント条件を含む、さまざまな設定で評価される。 現在の手法は特定のシナリオにおいて優れているが、単一の検出器が普遍的な効果を達成できないことを示す。
  論文  参考訳（メタデータ） (2024-09-21T12:46:17Z)
• Unity in Diversity: Multi-expert Knowledge Confrontation and Collaboration for Generalizable Vehicle Re-identification [60.20318058777603]
  一般化可能な車両再識別(ReID)は、微調整や再訓練を必要とせず、未知のターゲットドメインに適応可能なモデルの開発を目指している。 これまでの研究は主に、ソースドメイン間のデータ分散を調整することで、ドメイン不変の機能の抽出に重点を置いてきた。 そこで本研究では,この問題を解決するために,2段階のMulti-expert Knowledge Confrontation and Collaboration(MiKeCoCo)手法を提案する。
  論文  参考訳（メタデータ） (2024-07-10T04:06:39Z)
• Towards Robust GAN-generated Image Detection: a Multi-view Completion Representation [27.483031588071942]
  GAN生成画像検出は、ディープフェイクのようなマシン合成画像操作の悪意ある使用に対する最初の防御線となっている。 本稿では,新しい多視点画像補完表現に基づくロバスト検出フレームワークを提案する。 我々は,6つのGANに対して異なる解像度でフレームワークの一般化能力を評価し,その幅広い摂動攻撃に対する堅牢性を評価する。
  論文  参考訳（メタデータ） (2023-06-02T08:38:02Z)
• Hierarchical Forgery Classifier On Multi-modality Face Forgery Clues [61.37306431455152]
  我々は,HFC-MFFD (hierarchical Forgery for Multi-modality Face Forgery Detection) を提案する。 HFC-MFFDは、マルチモーダルシナリオにおけるフォージェリー認証を強化するために、堅牢なパッチベースのハイブリッド表現を学習する。 クラス不均衡問題を緩和し、さらに検出性能を高めるために、特定の階層的な顔偽造を提案する。
  論文  参考訳（メタデータ） (2022-12-30T10:54:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。