論文の概要: ForensicZip: More Tokens are Better but Not Necessary in Forensic Vision-Language Models
- arxiv url: http://arxiv.org/abs/2603.12208v1
- Date: Thu, 12 Mar 2026 17:30:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-13 14:46:26.257428
- Title: ForensicZip: More Tokens are Better but Not Necessary in Forensic Vision-Language Models
- Title（参考訳）: ForensicZip: より多くのトークンはより優れているが、法医学的ビジョンランゲージモデルでは必要ではない
- Abstract要約: フォージェリ駆動の観点からトークン圧縮を再構築するトレーニングフリーフレームワークであるForensicZipを紹介した。
ForensicZipは、最先端検出性能を維持しながら、スピードアップとFLOPの90%以上を達成している。
- 参考スコア（独自算出の注目度）: 108.5042835056188
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal Large Language Models (MLLMs) enable interpretable multimedia forensics by generating textual rationales for forgery detection. However, processing dense visual sequences incurs high computational costs, particularly for high-resolution images and videos. Visual token pruning is a practical acceleration strategy, yet existing methods are largely semantic-driven, retaining salient objects while discarding background regions where manipulation traces such as high-frequency anomalies and temporal jitters often reside. To address this issue, we introduce ForensicZip, a training-free framework that reformulates token compression from a forgery-driven perspective. ForensicZip models temporal token evolution as a Birth-Death Optimal Transport problem with a slack dummy node, quantifying physical discontinuities indicating transient generative artifacts. The forensic scoring further integrates transport-based novelty with high-frequency priors to separate forensic evidence from semantic content under large-ratio compression. Experiments on deepfake and AIGC benchmarks show that at 10\% token retention, ForensicZip achieves $2.97\times$ speedup and over 90\% FLOPs reduction while maintaining state-of-the-art detection performance.
- Abstract（参考訳）: MLLM(Multimodal Large Language Models)は、フォージェリ検出のためのテキスト論理を生成することによって、解釈可能なマルチメディアの法医学を可能にする。
しかし、高精細な視覚シーケンスを処理すると、特に高精細な画像やビデオの計算コストが高くなる。
ビジュアルトークンのプルーニングは実用的なアクセラレーション戦略であるが、既存の手法は主にセマンティック駆動であり、高い周波数異常や時間ジッタなどの操作トレースがしばしば存在するバックグラウンド領域を破棄しながら、健全なオブジェクトを保持する。
この問題に対処するために、フォージェリ駆動の観点からトークン圧縮を再構成するトレーニング不要のフレームワークであるForensicZipを紹介した。
ForensicZipは、時間的トークンの進化を、スラックダミーノードによる生死最適輸送問題としてモデル化し、過渡的な生成アーティファクトを示す物理的不連続性を定量化する。
法医学的スコアリングは、さらにトランスポートベースのノベルティを高周波プリエントと統合し、大比圧縮下の意味内容から法学的な証拠を分離する。
ディープフェイクとAIGCベンチマークの実験では、トークン保持率10\%で、ForensicZipは2.97\times$スピードアップと90%以上のFLOPの削減を実現し、最先端検出性能を維持している。
関連論文リスト
- TIGA: Trajectory-Injected Generative Attack against Black-box AIGC Detectors [76.4118981404995]
Trajectory-Injected Generative Attack (TIGA) は、検出器回避画像を生成する、ソースフリーでトレーニング可能なフリーフレームワークである。
TIGAはDDIM(Laint Denoising Diffusion Implicit Model)の軌道を制御し、生成中に対向特性が出現するようにしている。
TIGAは、共通の後処理操作下で、強力なブラックボックス攻撃性能、転送性、高ロバスト性を実現する。
論文 参考訳（メタデータ） (2026-07-28T15:51:39Z) - EVAS: Efficient Multimodal Temporal Forgery Localization via Audio-Visual Synergy and Steered Boundary Calibration [14.088182834458843]
本稿では,時間的フォージェリローカライゼーションのためのエンドツーエンドフレームワークEVASを提案する。
ステアリング境界校正を実現するために境界対応リファインメント戦略を導入する。
EVASは、最先端の平均ローカライゼーション精度と、3つのベンチマークデータセットの平均リコールを達成する。
論文 参考訳（メタデータ） (2026-07-05T19:33:21Z) - ForensicsTok: Forensics-Guided Tokenized Modeling for Image Tampering Localization [31.83661814822312]
本稿では,自動回帰シーケンス生成タスクとして画像操作のローカライゼーションを再構成するForensicsTokを提案する。
ForensicsTokは空間的に接地されたトークンシーケンスを直接生成し、中間管理なしで正確なマスク予測を可能にする。
論文 参考訳（メタデータ） (2026-06-23T13:06:18Z) - Deep Residual Injection for Full-Spectrum Forensic Signal Perception in Multimodal Large Language Models [51.099179436350376]
マルチモーダルな大言語モデル(MLLM)は、その堅牢な意味理解のために、法医学においてますます採用されている。
本稿では,人工物固有の視覚信号を中間層に残路として注入しながら,初期意味処理を保存するためのDeep Visual Residual MLLM(Deep-VRM)を提案する。
これにより、後続のレイヤは意味論的推論と信号レベルの法医学的手がかりを共同でモデル化することができ、驚くべきことに、モデルが入力に応じて異なるレベルの法医学的信号を適応的に活用することを学ぶ。
論文 参考訳（メタデータ） (2026-06-14T16:05:45Z) - FastOCR: Dynamic Visual Fixation via KV Cache Pruning for Efficient Document Parsing [51.905216364362325]
我々は2つの相補的なモジュールを持つトレーニングフリーフレームワークであるFastOCRを提案する。
FastOCRは未実行モデルの精度の98%を保持し、デコードステップあたりの視覚トークンの5%にしか到達しない。
論文 参考訳（メタデータ） (2026-05-17T13:39:47Z) - Attribution-Guided Multimodal Deepfake Detection via Cross-Modal Forensic Fingerprints [4.598350938853635]
ビデオの偽造方法を特定することができない検出器は、間違ったシグナルを学習している可能性が高い、と私たちは主張する。
二分検出とは異なり、帰属誘導学習は共有埋め込み空間に強い幾何学的制約を課す。
本稿では,属性検出と属性抽出を共同で学習する属性誘導型マルチモーダルディープフェイク検出フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-29T09:11:13Z) - RetentiveKV: State-Space Memory for Uncertainty-Aware Multimodal KV Cache Eviction [3.2907393353763243]
既存のKVキャッシュ圧縮手法は、トークンをプルーする「重要度」仮説に依存している。
状態空間モデルに基づく「離散的コンテキストトランケーション」から「連続的メモリ進化」へのKV消去を再構成するエントロピー駆動型KVキャッシュ最適化手法であるRetentiveKVを提案する。
論文 参考訳（メタデータ） (2026-04-14T08:17:53Z) - Word-Anchored Temporal Forgery Localization [6.691985085293349]
候補偽造提案を導出するために,単語アンコール時間的偽造位置推定(WAFL)を提案する。
まず、時間的偽造の本質を分析し、最小の有意義な偽造単位、単語トークンを識別し、データ前処理を音声の自然な言語境界と整合させる。
偽造検出に固有の極端なクラス不均衡を克服するために,アーティファクト中心非対称損失(ACA)を設計する。
論文 参考訳（メタデータ） (2026-03-06T12:33:28Z) - ForgeryVCR: Visual-Centric Reasoning via Efficient Forensic Tools in MLLMs for Image Forgery Detection and Localization [62.03035862528452]
ForgeryVCRは、視覚中心推論(Visual-Centric Reasoning)を通じて、知覚できないトレースを明示的な視覚中間体に物質化するフレームワークである。
ForgeryVCRは、検出タスクとローカライゼーションタスクの両方において、最先端(SOTA)のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-02-15T11:14:47Z) - Detecting Overflow in Compressed Token Representations for Retrieval-Augmented Generation [49.48204107529758]
我々はトークンオーバーフローを、圧縮された表現が与えられたクエリに応答する十分な情報を含んでいない状態として定義する。
本稿では,非圧縮トークン表現から,クエリ非依存の飽和統計を確実に分離することを見出した。
クエリとコンテキストの両方のxRAG表現上の軽量なプローブ分類器は平均0.72 AUC-ROCでオーバーフローを検出する。
これらの結果は、クエリ非依存の診断からクエリ対応検出まで進歩し、低コストのプレLLMゲーティングにより、圧縮によるエラーを軽減できる。
論文 参考訳（メタデータ） (2026-02-12T18:15:08Z) - HIPPO: Accelerating Video Large Language Models Inference via Holistic-aware Parallel Speculative Decoding [48.55833840968632]
投機的復号化は、出力品質を犠牲にすることなくLSM推論を加速するための有望なアプローチとして登場した。
提案するHIPPOは,汎用的な並列投機復号化フレームワークである。
6つのベンチマークで4つのビデオLLMの実験では、HIPPOの有効性が示され、最大3.51倍のスピードアップが達成された。
論文 参考訳（メタデータ） (2026-01-13T07:02:43Z) - Towards Robust DeepFake Detection under Unstable Face Sequences: Adaptive Sparse Graph Embedding with Order-Free Representation and Explicit Laplacian Spectral Prior [12.202765237400143]
本稿では,Laplacian-Regularized Graph Convolutional Network (LR-GCN)を提案する。
LR-GCNは、高度のグローバル・ローカル・ディスラプションの下で、最先端の性能とロバスト性を大幅に向上する。
論文 参考訳（メタデータ） (2025-12-08T12:31:07Z) - SODiff: Semantic-Oriented Diffusion Model for JPEG Compression Artifacts Removal [50.90827365790281]
SODiffはJPEGアーティファクト削除のためのセマンティック指向のワンステップ拡散モデルである。
我々の中核的な考え方は、効果的な復元ヒンジは、事前訓練された拡散モデルに対する意味指向的なガイダンスを提供することである。
SAIPEは、低品質(LQ)画像からリッチな特徴を抽出し、テキストエンコーダとセマンティックに整合した埋め込み空間に投影する。
論文 参考訳（メタデータ） (2025-08-10T13:48:07Z) - Learning Spatiotemporal Inconsistency via Thumbnail Layout for Face Deepfake Detection [41.35861722481721]
社会とサイバーセキュリティに対するディープフェイクの脅威は、重大な公衆の不安を引き起こしている。
本稿では,Thumbnail Layout(TALL)という,エレガントでシンプルだが効果的な戦略を紹介する。
TALLはビデオクリップを予め定義されたレイアウトに変換し、空間的および時間的依存関係の保存を実現する。
論文 参考訳（メタデータ） (2024-03-15T12:48:44Z) - Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。
既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。
本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2023-07-31T10:22:33Z)
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。