論文の概要: Beyond Detection: Multi-Scale Hidden-Code for Natural Image Deepfake Recovery and Factual Retrieval

• arxiv url: http://arxiv.org/abs/2602.22759v1
• Date: Thu, 26 Feb 2026 08:47:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.604756
• Title: Beyond Detection: Multi-Scale Hidden-Code for Natural Image Deepfake Recovery and Factual Retrieval
• Title（参考訳）: Beyond Detection: 自然画像のディープフェイク回復とFactual Retrievalのためのマルチスケール隠れコード
• Authors: Yuan-Chih Chen, Chun-Shien Lu,
• Abstract要約: 本研究では,ポストホックおよびインジェネレーションウォーターマーキングパラダイムからの検索と復元を両立する隠れコード回復フレームワークを提案する。 提案手法は,マルチスケールベクトル量子化により洗練され,条件付きトランスフォーマーモジュールによる文脈推論が向上する,コンパクトな隠れコード表現に意味的および知覚的情報をエンコードする。
• 参考スコア（独自算出の注目度）: 10.94034043296029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in image authenticity have primarily focused on deepfake detection and localization, leaving recovery of tampered contents for factual retrieval relatively underexplored. We propose a unified hidden-code recovery framework that enables both retrieval and restoration from post-hoc and in-generation watermarking paradigms. Our method encodes semantic and perceptual information into a compact hidden-code representation, refined through multi-scale vector quantization, and enhances contextual reasoning via conditional Transformer modules. To enable systematic evaluation for natural images, we construct ImageNet-S, a benchmark that provides paired image-label factual retrieval tasks. Extensive experiments on ImageNet-S demonstrate that our method exhibits promising retrieval and reconstruction performance while remaining fully compatible with diverse watermarking pipelines. This framework establishes a foundation for general-purpose image recovery beyond detection and localization.
• Abstract（参考訳）: 画像の信頼性の最近の進歩は、主にディープフェイクの検出とローカライゼーションに焦点を合わせており、未検索の事実検索のための改ざんされたコンテンツの回復は比較的過小評価されている。 本研究では,ポストホックおよびインジェネレーションウォーターマーキングパラダイムからの検索と復元を両立する隠れコード回復フレームワークを提案する。 提案手法は,マルチスケールベクトル量子化により洗練され,条件付きトランスフォーマーモジュールによる文脈推論が向上する,コンパクトな隠れコード表現に意味的および知覚的情報をエンコードする。 自然画像のシステマティックな評価を可能にするために,ペア画像ラベルの事実検索タスクを提供するベンチマークであるImageNet-Sを構築した。 ImageNet-Sの大規模な実験により,多種多様な透かしパイプラインとの完全互換性を維持しながら,提案手法が有望な検索と復元性能を示すことが示された。 このフレームワークは、検出とローカライゼーションを超えて、汎用的なイメージリカバリの基礎を確立する。

関連論文リスト

• Learning to Restore Multi-Degraded Images via Ingredient Decoupling and Task-Aware Path Adaptation [51.10017611491389]
  現実のイメージは、雨、騒音、ヘイズのような複数の共存する劣化に悩まされることが多い。 本稿では, 劣化成分の分解表現を利用して, 画像の再構成を行う適応型多重劣化画像復元ネットワークを提案する。 その結果、IMDNetと呼ばれる密に統合されたアーキテクチャは、実験を通じて広範囲に検証されている。
  論文  参考訳（メタデータ） (2025-11-07T01:50:36Z)
• Semantic-Aware Reconstruction Error for Detecting AI-Generated Images [22.83053631078616]
  本稿では,画像とキャプション誘導再構成のセマンティック・アウェア・リコンストラクション・エラー(SARE)を計測する新しい表現を提案する。 SAREは、さまざまな生成モデル間で偽画像を検出するための堅牢で差別的な機能を提供する。 また,SAREを背骨検出器に統合する融合モジュールを,クロスアテンション機構を介して導入する。
  論文  参考訳（メタデータ） (2025-08-13T04:37:36Z)
• Breaking the Frame: Visual Place Recognition by Overlap Prediction [53.17564423756082]
  本稿では,重なり合う予測に基づく新しい視覚的位置認識手法 VOP を提案する。 VOPは、Vision Transformerのバックボーンを使用してパッチレベルの埋め込みを取得することで、コビジュアブルなイメージセクションを進める。 提案手法では,データベース画像の重複点の評価に投票機構を用いる。
  論文  参考訳（メタデータ） (2024-06-23T20:00:20Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Prompt-based Ingredient-Oriented All-in-One Image Restoration [0.0]
  複数の画像劣化課題に対処する新しいデータ成分指向手法を提案する。 具体的には、エンコーダを用いて特徴をキャプチャし、デコーダを誘導するための劣化情報を含むプロンプトを導入する。 我々の手法は最先端技術と競争的に機能する。
  論文  参考訳（メタデータ） (2023-09-06T15:05:04Z)
• WMFormer++: Nested Transformer for Visible Watermark Removal via Implict Joint Learning [68.00975867932331]
  既存の透かし除去法は主にタスク固有のデコーダブランチを持つUNetに依存している。 両分野の情報を包括的に統合するために,暗黙的な共同学習パラダイムを導入する。 その結果、既存の最先端手法をはるかに上回る、我々のアプローチの顕著な優位性を示した。
  論文  参考訳（メタデータ） (2023-08-20T07:56:34Z)
• Label-Free Event-based Object Recognition via Joint Learning with Image Reconstruction from Events [42.71383489578851]
  本研究では,カテゴリラベルとペア画像が利用できない,ラベルのないイベントベースオブジェクト認識について検討する。 提案手法はまずイベントからイメージを再構成し,コントラスト言語-画像事前学習(CLIP)によるオブジェクト認識を行う。 画像の再構成にはカテゴリ情報が不可欠であるため,カテゴリ誘導アトラクション損失とカテゴリ非依存の反発損失を提案する。
  論文  参考訳（メタデータ） (2023-08-18T08:28:17Z)
• All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
  我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。 この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
  論文  参考訳（メタデータ） (2023-08-06T04:51:41Z)
• RestoreDet: Degradation Equivariant Representation for Object Detection in Low Resolution Images [81.91416537019835]
  劣化した低解像度画像中のオブジェクトを検出するための新しいフレームワークであるRestoreDetを提案する。 CenterNetをベースとした本フレームワークは, 既存手法と比較して, 異種劣化状況に直面する場合に比べ, 優れた性能を達成している。
  論文  参考訳（メタデータ） (2022-01-07T03:40:23Z)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。 提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。