論文の概要: SEED: A Large-Scale Benchmark for Provenance Tracing in Sequential Deepfake Facial Edits

• arxiv url: http://arxiv.org/abs/2604.10522v1
• Date: Sun, 12 Apr 2026 08:27:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.072844
• Title: SEED: A Large-Scale Benchmark for Provenance Tracing in Sequential Deepfake Facial Edits
• Title（参考訳）: SEED: シークエンシャルディープフェイク顔編集におけるプロヴァンストレースのための大規模ベンチマーク
• Authors: Mengieong Hoi, Zhedong Zheng, Ping Liu, Wei Liu,
• Abstract要約: Sequential Editing in Diffusion (textbfSEED)は、顔画像のシーケンシャルトレースのための大規模ベンチマークである。 SEEDには、拡散ベースの編集パイプラインを使用して1から4つのシーケンシャルな編集によって構築された90K以上の画像が含まれている。 SEEDはステップワイズエビデンス解析をサポートし、偽造検出、シーケンス予測をサポートする。
• 参考スコア（独自算出の注目度）: 22.00097357292037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deepfake content on social networks is increasingly produced through multiple \emph{sequential} edits to biometric data such as facial imagery. Consequently, the final appearance of an image often reflects a latent chain of operations rather than a single manipulation. Recovering these editing histories is essential for visual provenance analysis, misinformation auditing, and forensic or platform moderation workflows that must trace the origin and evolution of AI-generated media. However, existing datasets predominantly focus on single-step editing and overlook the cumulative artifacts introduced by realistic multi-step pipelines. To address this gap, we introduce Sequential Editing in Diffusion (\textbf{SEED}), a large-scale benchmark for sequential provenance tracing in facial imagery. SEED contains over 90K images constructed via one to four sequential attribute edits using diffusion-based editing pipelines, with fine-grained annotations including edit order, textual instructions, manipulation masks, and generation models. These metadata enable step-wise evidence analysis and support forgery detection, sequence prediction. To benchmark the challenges posed by SEED, we evaluate representative analysis strategies and observe that spatial-only approaches struggle under subtle and distributed diffusion artifacts, especially when such artifacts accumulate across multiple edits. Motivated by this observation, we further establish \textbf{FAITH}, a frequency-aware Transformer baseline that aggregates spatial and frequency-domain cues to identify and order latent editing events. Results show that high-frequency signals, particularly wavelet components, provide effective cues even under image degradation. Overall, SEED facilitates systematic study of sequential provenance tracing and evidence aggregation for trustworthy analysis of AI-generated visual content.
• Abstract（参考訳）: ソーシャルネットワーク上のディープフェイクコンテンツは、顔画像などの生体データに複数の \emph{sequential} 編集をすることで、ますます生産される。 その結果、画像の最終的な出現は、単一の操作ではなく、遅延した操作の連鎖を反映することが多い。 これらの編集履歴の復元は、AI生成メディアの起源と進化を辿る必要がある視覚的証明分析、誤情報監査、法科学またはプラットフォームモデレーションワークフローに不可欠である。 しかし、既存のデータセットは主に単一ステップの編集に重点を置いており、現実的なマルチステップパイプラインによって導入された累積的なアーティファクトを見落としている。 このギャップに対処するために、顔画像の逐次前駆者追跡のための大規模ベンチマークである、拡散における逐次編集(\textbf{SEED})を導入する。 SEEDには、拡散ベースの編集パイプラインを使用して1～4つのシーケンシャル属性編集によって構築された90K以上の画像が含まれており、編集順序、テキスト命令、操作マスク、生成モデルなどの細かいアノテーションがある。 これらのメタデータはステップワイズエビデンス分析を可能にし、偽造検出、シーケンス予測をサポートする。 本研究は,SEEDがもたらす課題を評価するために,代表的分析戦略を評価し,空間のみのアプローチが微妙で分散した拡散アーティファクトの下で,特に複数編集にまたがるアーティファクトの蓄積に苦しむことを観察する。 そこで本研究では,周波数対応トランスフォーマーベースラインである‘textbf{FAITH} を新たに構築し,空間領域および周波数領域のキューを集約し,遅延編集イベントの識別と順序付けを行う。 その結果, 高周波数信号, 特にウェーブレット成分は, 画像劣化下においても有効な手がかりとなることがわかった。 全体として、SEEDは、AI生成された視覚コンテンツを信頼できる分析するために、シーケンシャル・プロビデンス・トレースとエビデンス・アグリゲーションの体系的研究を促進する。

関連論文リスト

• SurFITR: A Dataset for Surveillance Image Forgery Detection and Localisation [39.55678505740112]
  我々はSurFITR(Surveillance Forgery Image Test Range)を紹介する。 SurFITRは、監視スタイルの画像偽造検出とローカライゼーションのためのデータセットである。 137k以上の改ざんされた画像が含まれており、解像度や編集の種類も様々である。
  論文  参考訳（メタデータ） (2026-04-08T13:55:02Z)
• Mitigating Memorization in Text-to-Image Diffusion via Region-Aware Prompt Augmentation and Multimodal Copy Detection [53.789057575175065]
  領域認識型prompt Augmentation(RAPTA)とAttention-Driven Multimodal Copy Detection(ADMCD)を示す。 RAPTAはオブジェクト検出器を使用して、正常な領域を見つけ、それらを意味論的に接地したプロンプトの変種に変換する。 ADMCDは、ローカルパッチ、グローバルセマンティック、テクスチャキューを軽量トランスフォーマーで集約し、融合表現を生成する。 実験により、RAPTAは高い合成品質を維持しながら過度な適合を減少させ、ADMCDはコピーを確実に検出し、単一モードの指標より優れることが示された。
  論文  参考訳（メタデータ） (2026-03-13T15:16:27Z)
• DiffSeg30k: A Multi-Turn Diffusion Editing Benchmark for Localized AIGC Detection [48.00148913303519]
  拡散ベースの編集は、局所画像領域の現実的な修正を可能にし、AI生成したコンテンツを検出しにくくする。 DiffSeg30kは、30kの拡散編集画像とピクセルレベルのアノテーションのデータセットで、きめ細かい検出をサポートする。
  論文  参考訳（メタデータ） (2025-11-24T13:43:54Z)
• Beyond Artificial Misalignment: Detecting and Grounding Semantic-Coordinated Multimodal Manipulations [56.816929931908824]
  マルチモーダルデータにおける意味的協調操作の検出の先駆者となった。 本稿では,RamDG(Retrieval-Augmented Manipulation Detection and Grounding)フレームワークを提案する。 我々のフレームワークは既存の手法よりも優れており、SAMMの精度は最先端の手法に比べて2.06%高い。
  論文  参考訳（メタデータ） (2025-09-16T04:18:48Z)
• SEED: A Benchmark Dataset for Sequential Facial Attribute Editing with Diffusion Models [23.54274625549125]
  増え続けるアプリケーションのクラスは、プログレッシブ編集のシーケンスを分析し、追跡する機能を要求するようになった。 本稿では,最先端拡散モデルを用いて構築した大規模逐次編集facEデータセットSEEDを紹介する。 SEEDには90,000以上の顔画像と1～4つのシーケンシャルな属性修正が含まれており、多様な拡散ベースの編集パイプラインを使用して生成される。
  論文  参考訳（メタデータ） (2025-05-31T13:39:45Z)
• X-Edit: Detecting and Localizing Edits in Images Altered by Text-Guided Diffusion Models [3.610796534465868]
  実験結果から,X-Editはテキスト誘導拡散モデルによって修正された画像の編集を正確にローカライズすることが示された。 これは、高度な画像編集技術によって導入された操作を検出し、ピンポイントする堅牢な法医学ツールとしてのX-Editの可能性を強調している。
  論文  参考訳（メタデータ） (2025-05-16T23:29:38Z)
• LIME: Localized Image Editing via Attention Regularization in Diffusion Models [69.33072075580483]
  本稿では拡散モデルにおける局所化画像編集のためのLIMEを提案する。 LIMEは、ユーザが指定した関心領域(RoI)や追加のテキスト入力を必要としない。 そこで本研究では,RoIにおける非関係なクロスアテンションスコアをデノナイジングステップ中にペナライズし,局所的な編集を確実にする新しいクロスアテンション正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T18:59:59Z)
• iEdit: Localised Text-guided Image Editing with Weak Supervision [53.082196061014734]
  テキスト誘導画像編集のための新しい学習法を提案する。 ソースイメージに条件付けされた画像とテキスト編集プロンプトを生成する。 画像の忠実度、CLIPアライメントスコア、および生成された画像と実際の画像の両方を定性的に編集する点において、画像に対して好ましい結果を示す。
  論文  参考訳（メタデータ） (2023-05-10T07:39:14Z)

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。