論文の概要: CBDiff:Conditional Bernoulli Diffusion Models for Image Forgery Localization

• arxiv url: http://arxiv.org/abs/2510.19597v1
• Date: Wed, 22 Oct 2025 13:48:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.840212
• Title: CBDiff:Conditional Bernoulli Diffusion Models for Image Forgery Localization
• Title（参考訳）: CBDiff:画像フォージェリーローカライゼーションのための連続ベルヌーイ拡散モデル
• Authors: Zhou Lei, Pan Gang, Wang Jiahao, Sun Di,
• Abstract要約: 本稿では,画像フォージェリーローカライゼーションのための条件付きベルヌーイ拡散モデル(CBDiff)を提案する。 CBDiffは、より豊かでより包括的な偽の分布表現を提供する。 既存の最先端の手法を著しく上回り、現実世界のデプロイメントに対する強力な可能性を強調している。
• 参考スコア（独自算出の注目度）: 0.03684074098361335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image Forgery Localization (IFL) is a crucial task in image forensics, aimed at accurately identifying manipulated or tampered regions within an image at the pixel level. Existing methods typically generate a single deterministic localization map, which often lacks the precision and reliability required for high-stakes applications such as forensic analysis and security surveillance. To enhance the credibility of predictions and mitigate the risk of errors, we introduce an advanced Conditional Bernoulli Diffusion Model (CBDiff). Given a forged image, CBDiff generates multiple diverse and plausible localization maps, thereby offering a richer and more comprehensive representation of the forgery distribution. This approach addresses the uncertainty and variability inherent in tampered regions. Furthermore, CBDiff innovatively incorporates Bernoulli noise into the diffusion process to more faithfully reflect the inherent binary and sparse properties of forgery masks. Additionally, CBDiff introduces a Time-Step Cross-Attention (TSCAttention), which is specifically designed to leverage semantic feature guidance with temporal steps to improve manipulation detection. Extensive experiments on eight publicly benchmark datasets demonstrate that CBDiff significantly outperforms existing state-of-the-art methods, highlighting its strong potential for real-world deployment.
• Abstract（参考訳）: Image Forgery Localization (IFL)は画像法医学において重要な課題であり、ピクセルレベルの画像内の操作された領域や改ざんされた領域を正確に識別することを目的としている。 既存の手法は、通常、単一の決定論的ローカライゼーションマップを生成するが、多くの場合、法医学的な分析やセキュリティ監視のような高度なアプリケーションに必要な正確さと信頼性を欠いている。 予測の信頼性を高め,エラーのリスクを軽減するために,先進的な条件付きベルヌーイ拡散モデル(CBDiff)を導入する。 鍛造画像が与えられた場合、CBDiffは複数の多種多様でプラウジブルなローカライゼーションマップを生成し、それによってよりリッチで包括的なフォージェリー分布の表現を提供する。 このアプローチは、改ざんされた地域に固有の不確実性と変動性に対処する。 さらに、CBDiffはベルヌーイノイズを拡散過程に革新的に組み込んで、フォージェリーマスクの性質とスパース性をより忠実に反映している。 さらにCBDiffはTSCAttention(Time-Step Cross-Attention)を導入している。 8つの公開ベンチマークデータセットに対する大規模な実験は、CBDiffが既存の最先端の手法を大幅に上回っており、現実世界のデプロイメントに対するその強い可能性を強調していることを示している。

関連論文リスト

• DiffusionFF: Face Forgery Detection via Diffusion-based Artifact Localization [21.139016641596676]
  DiffusionFFは、拡散に基づくアーティファクトローカライゼーションによる顔偽造検出を強化する新しいフレームワークである。 本手法は,高次拡散モデルを用いて高次構造相似性(DSSIM)マップを生成し,微妙な操作の痕跡を効果的に捉える。
  論文  参考訳（メタデータ） (2025-08-03T18:06:04Z)
• G4Seg: Generation for Inexact Segmentation Refinement with Diffusion Models [38.44872934965588]
  本稿では, 大規模テキスト・画像モデルを用いて不正確な拡散(IS)課題に取り組むことの問題点について考察する。 我々は,原画像とマスク条件生成画像とのパターンの相違を利用して,粗大なセグメント化改善を容易にする。
  論文  参考訳（メタデータ） (2025-06-02T11:05:28Z)
• InpDiffusion: Image Inpainting Localization via Conditional Diffusion Models [10.213390634031049]
  現在のIIL法は2つの大きな課題に直面している。 拡散モデルを用いた条件付きマスク生成タスクとしてIILを扱う新しいパラダイムを提案する。 我々の手法であるInpDiffusionは、画像意味条件の統合によって強化された復調過程を利用して、予測を段階的に洗練する。
  論文  参考訳（メタデータ） (2025-01-06T07:32:12Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。 本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• Adv-Diffusion: Imperceptible Adversarial Face Identity Attack via Latent Diffusion Model [61.53213964333474]
  本稿では,生の画素空間ではなく,潜在空間における非知覚的対角的アイデンティティ摂動を生成できる統一的なフレームワークAdv-Diffusionを提案する。 具体的には,周囲のセマンティックな摂動を生成するために,個人性に敏感な条件付き拡散生成モデルを提案する。 設計された適応強度に基づく対向摂動アルゴリズムは、攻撃の伝達性とステルス性の両方を確保することができる。
  論文  参考訳（メタデータ） (2023-12-18T15:25:23Z)
• Exposing the Fake: Effective Diffusion-Generated Images Detection [14.646957596560076]
  本稿では拡散生成画像検出(SeDID)のためのステップワイド誤差と呼ばれる新しい検出法を提案する。 SeDIDは拡散モデルのユニークな特性、すなわち決定論的逆転と決定論的逆退誤差を利用する。 我々の研究は拡散モデル生成画像の識別に重要な貢献をしており、人工知能のセキュリティ分野における重要なステップとなっている。
  論文  参考訳（メタデータ） (2023-07-12T16:16:37Z)
• 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)
• Local Relation Learning for Face Forgery Detection [73.73130683091154]
  局所的関係学習による顔の偽造検出の新たな視点を提案する。 具体的には,局所的な特徴間の類似度を測定するMPSM(Multi-scale Patch similarity Module)を提案する。 また、より包括的な局所特徴表現のために、RGBおよび周波数領域の情報を融合するRGB-Frequency Attention Module (RFAM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T10:44:32Z)

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。