論文の概要: EditSleuth: A Dataset of Grounded Reasoning Chains for Image-Edit Forensics
- arxiv url: http://arxiv.org/abs/2605.08695v1
- Date: Sat, 09 May 2026 05:06:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.819982
- Title: EditSleuth: A Dataset of Grounded Reasoning Chains for Image-Edit Forensics
- Title（参考訳）: EditSleuth:画像編集のためのグラウンドド推論チェインのデータセット
- Abstract要約: 既存の画像編集コーパスから構築した257,725個の画像編集三重項のデータセットであるEditSleuthを紹介する。
それぞれの例は、編集された画像、ソースイメージ、バイナリ編集マスク、12クラスの編集分類ラベル、難易度スコア、および6ステップの推論チェーンを含む。
- 参考スコア（独自算出の注目度）: 13.457225999380034
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forensic analysis of AI-edited images requires more than binary real-versus-fake prediction: a useful system should localize the edit, identify its semantic type, and ground its decisions in visual evidence. Existing image-forensics datasets typically emphasize detection or localization, while reasoning-supervised vision-language datasets rarely target image manipulation and often rely on LLM-generated rationales whose faithfulness is difficult to verify. We introduce EditSleuth, a dataset of 257,725 image-edit triplets constructed from existing image-editing corpora for grounded image-edit forensic reasoning. Each example includes an edited image, its source image, a binary edit mask, a 12-class edit taxonomy label, a difficulty score, and a six-step reasoning chain. EditSleuth chains are generated deterministically from triplet-grounded upstream artifacts, with each statement tied to a specific computable source of evidence. Our analysis reveals that a naive four-component difficulty formulation suffers from a rank-2 correlation collapse among magnitude features; a simplified three-component formulation substantially increases score dispersion on both Pico-Banana and MagicBrush. Difficulty also varies meaningfully within most edit categories, indicating that the score is not a proxy for edit type. As an initial learning study, we fine-tune Qwen2-VL-2B with LoRA and find that chain-as-target supervision matches a label-only baseline on classification accuracy among parseable answers, while additionally yielding grounded explanatory prose that label-only supervision cannot produce. We release the dataset, the deterministic construction pipeline, and pilot training scripts.
- Abstract（参考訳）: 有用なシステムは、編集をローカライズし、セマンティックタイプを特定し、その決定を視覚的エビデンスに根ざすべきである。
既存の画像法医学データセットは通常、検出やローカライゼーションを強調するが、推論監督型視覚言語データセットはイメージ操作をターゲットとせず、信頼性の検証が難しいLCM生成論理に依存していることが多い。
既存の画像編集コーパスから構築した257,725個の画像編集三重項のデータセットであるEditSleuthを紹介した。
それぞれの例は、編集された画像、ソースイメージ、バイナリ編集マスク、12クラスの編集分類ラベル、難易度スコア、および6ステップの推論チェーンを含む。
EditSleuth チェーンは三重項のアップストリームアーティファクトから決定的に生成され、それぞれのステートメントは特定の計算可能なエビデンスソースに関連付けられている。
解析の結果,3成分の簡易な定式化はPico-BananaとMagicBrushの両者のスコア分散を著しく増大させることがわかった。
難易度は、ほとんどの編集カテゴリで有意に変化しており、スコアが編集タイプのプロキシではないことを示している。
最初の学習研究として、我々はQwen2-VL-2BをLoRAと微調整し、鎖・アズ・ターゲット・インスペクションは、解析可能な回答の分類精度に基づいてラベルのみのベースラインと一致し、さらにラベルのみのインスペクションが生成できない基礎的な説明文を得る。
データセット、決定論的構成パイプライン、パイロットトレーニングスクリプトをリリースしています。
関連論文リスト
- When Rule Violations Are Rare: Chimera Training for Logical Anomaly Detection [56.362776482614976]
本研究では,学習した視覚概念に対する制約を論理規則として与える環境での異常検出について検討する。
本稿では,各制約を有向非巡回グラフにコンパイルし,特徴認識サブツリーゲートを学習するニューラルルール評価器を提案する。
CLEVRER、OpenImages、VidOR全体で、結果として得られる評価は、独立イベントと同一イメージのセマンティックトレーニングベースラインよりもルールレベルのAUROCを改善する。
論文 参考訳（メタデータ） (2026-05-25T02:52:36Z) - SEED: A Large-Scale Benchmark for Provenance Tracing in Sequential Deepfake Facial Edits [22.00097357292037]
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。
論文 参考訳（メタデータ） (2026-04-12T08:27:17Z) - Referring Change Detection in Remote Sensing Imagery [49.841833753558575]
本稿では、自然言語のプロンプトを利用してリモートセンシング画像の変化の特定のクラスを検出するReferring Change Detection (RCD)を紹介する。
我々は, (I) textbfRCDNet, (II) textbfRCDGen, (II) 拡散型合成データ生成パイプラインからなる2段階のフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-12T16:57:12Z) - Charts Are Not Images: On the Challenges of Scientific Chart Editing [66.38730113476677]
textitFigEditは、3万以上のサンプルからなる科学的フィギュア編集のベンチマークである。
私たちのベンチマークでは、ピクセルレベルの操作の重大な制限が示されています。
textitFigEdit をリリースすることにより,構造対応図形編集の体系的な進歩の実現を目指す。
論文 参考訳（メタデータ） (2025-11-30T06:13:48Z) - 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) - FragFake: A Dataset for Fine-Grained Detection of Edited Images with Vision Language Models [48.85744313139525]
FragFakeは、画像検出のための最初の専用のベンチマークデータセットである。
画像分類と編集領域ローカライゼーションのタスクにおいて,視覚言語モデル(VLM)を初めて使用した。
この研究は、視覚言語理解タスクとして、局所化画像編集検出を再構成した最初のものである。
論文 参考訳（メタデータ） (2025-05-21T15:22:45Z) - UIP2P: Unsupervised Instruction-based Image Editing via Edit Reversibility Constraint [87.20985852686785]
本研究では,教師なし指導に基づく画像編集手法を提案する。
本稿では,編集可逆性制約 (ERC) と呼ばれる新しい編集機構を導入することで,これらの課題に対処する。
これにより、地道に編集されたイメージの必要性を回避し、実際のイメージキャプチャペアまたはイメージキャプチャインストラクショントリプルからなるデータセットで、初めてトレーニングをアンロックすることが可能になります。
論文 参考訳（メタデータ） (2024-12-19T18:59:58Z) - 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) - 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。