論文の概要: Creating Blank Canvas Against AI-enabled Image Forgery

• arxiv url: http://arxiv.org/abs/2511.22237v1
• Date: Thu, 27 Nov 2025 09:03:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.469425
• Title: Creating Blank Canvas Against AI-enabled Image Forgery
• Title（参考訳）: AIによる画像偽造に対するブランクキャンバスの作成
• Authors: Qi Song, Ziyuan Luo, Renjie Wan,
• Abstract要約: 我々はSegment Anything Model (SAM) を用いた新しい触覚検出手法を提案する。 画像全体がニューラルモデルの観点から空白のキャンバスに変換される。 SAMを徹底的に欺き、画像に見えないようにするために、周波数認識最適化戦略を導入する。
• 参考スコア（独自算出の注目度）: 25.139626573871343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AIGC-based image editing technology has greatly simplified the realistic-level image modification, causing serious potential risks of image forgery. This paper introduces a new approach to tampering detection using the Segment Anything Model (SAM). Instead of training SAM to identify tampered areas, we propose a novel strategy. The entire image is transformed into a blank canvas from the perspective of neural models. Any modifications to this blank canvas would be noticeable to the models. To achieve this idea, we introduce adversarial perturbations to prevent SAM from ``seeing anything'', allowing it to identify forged regions when the image is tampered with. Due to SAM's powerful perceiving capabilities, naive adversarial attacks cannot completely tame SAM. To thoroughly deceive SAM and make it blind to the image, we introduce a frequency-aware optimization strategy, which further enhances the capability of tamper localization. Extensive experimental results demonstrate the effectiveness of our method.
• Abstract（参考訳）: AIGCベースの画像編集技術は、現実的なレベルの画像修正を大幅に単純化し、画像偽造の重大なリスクを生じさせている。 本稿では,Segment Anything Model (SAM) を用いた新しい検出手法を提案する。 SAMをトレーニングして改ざん箇所を特定する代わりに,新しい戦略を提案する。 画像全体がニューラルモデルの観点から空白のキャンバスに変換される。 この空白キャンバスのいかなる変更も、モデルには顕著である。 このアイデアを実現するために、SAMが「何も見ない」ことを防止し、画像が改ざんされた際に偽造された領域を識別できるようにするために、対向的摂動を導入する。 SAMの強力な知覚能力のため、単純な敵攻撃はSAMを完全に台無しにすることはできない。 SAMを徹底的に欺き、画像に見えないものにするため、我々は周波数認識最適化戦略を導入し、ローカライゼーションを改ざんする能力をさらに強化する。 本手法の有効性を実験的に検証した。

関連論文リスト

• ForensicsSAM: Toward Robust and Unified Image Forgery Detection and Localization Resisting to Adversarial Attack [56.0056378072843]
  高い転送性を持つ逆画像は上流モデルでのみ作成可能であることを示す。 本稿では,IFDLフレームワークを組み込んだForensicsSAMを提案する。
  論文  参考訳（メタデータ） (2025-08-10T16:03:44Z)
• DarkSAM: Fooling Segment Anything Model to Segment Nothing [25.67725506581337]
  Segment Anything Model (SAM) は、最近、データやタスクの見当たらない一般化で注目を集めている。 セマンティックデカップリングに基づく空間攻撃とテクスチャ歪みに基づく周波数攻撃を含む,SAMに対する最初のプロンプトフリーユニバーサルアタックフレームワークであるDarkSAMを提案する。 SAMの4つのデータセットとその2つの変種モデルに対する実験結果は、DarkSAMの強力な攻撃能力と転送可能性を示している。
  論文  参考訳（メタデータ） (2024-09-26T14:20:14Z)
• Improving the Generalization of Segmentation Foundation Model under Distribution Shift via Weakly Supervised Adaptation [43.759808066264334]
  本稿では,アンカー正規化と低ランク微調整を併用した弱教師付き自己学習アーキテクチャを提案する。 本研究では, 自然浄化・破損画像, 医用画像, カモフラージュ画像, ロボット画像など, 5種類の下流セグメンテーションタスクの有効性を検証した。
  論文  参考訳（メタデータ） (2023-12-06T13:59:22Z)
• SAM Meets UAP: Attacking Segment Anything Model With Universal Adversarial Perturbation [61.732503554088524]
  画像認識不能なユニバーサル適応摂動(UAP)を用いてSAM(Segment Anything Model)を攻撃できるかどうかを検討する。 自己教師付きコントラスト学習(CL)に基づくUAP生成手法を実現する新しい摂動中心フレームワークを提案する。 CLを用いたUAP生成手法の有効性を定量的および定性的に検証した。
  論文  参考訳（メタデータ） (2023-10-19T02:49:24Z)
• Black-box Targeted Adversarial Attack on Segment Anything (SAM) [24.927514923402775]
  本研究は,Segment Anything Model (SAM) におけるターゲット対敵攻撃 (TAA) の実現を目的とする。 具体的には、特定のプロンプトの下では、敵の例の予測マスクを所定のターゲット画像のマスクに類似させることが目的である。 本稿では, ランダムな自然画像に対する逆画像の特徴優位性を高めることで, クロスモデル転送可能性を高める新たな正規化損失を提案する。
  論文  参考訳（メタデータ） (2023-10-16T02:09:03Z)
• Personalize Segment Anything Model with One Shot [52.54453744941516]
  我々は,Segment Anything Model (SAM) のためのトレーニング不要なパーソナライズ手法を提案する。 PerSAMは、参照マスクを持つ1つのイメージしか持たないため、最初にターゲットのコンセプトを以前のロケーションでローカライズする。 PerSAMは、ターゲット誘導された注意、ターゲットセマンティックなプロンプト、そしてカスケードされたポストリファインメントという3つのテクニックを通じて、他の画像やビデオにセグメントする。
  論文  参考訳（メタデータ） (2023-05-04T17:59:36Z)
• Attack-SAM: Towards Attacking Segment Anything Model With Adversarial Examples [68.5719552703438]
  Segment Anything Model (SAM) は、様々なダウンストリームタスクにおける印象的なパフォーマンスのために、最近大きな注目を集めている。 深い視覚モデルは敵の例に弱いと広く認識されており、それはモデルを騙して知覚不能な摂動で間違った予測をする。 この研究は、SAMの攻撃方法に関する総合的な調査を敵対的な例で実施した最初のものである。
  論文  参考訳（メタデータ） (2023-05-01T15:08:17Z)

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。