論文の概要: Towards Generalized Image Manipulation Localization via Score-based Model
- arxiv url: http://arxiv.org/abs/2605.16879v1
- Date: Sat, 16 May 2026 08:39:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:47.213749
- Title: Towards Generalized Image Manipulation Localization via Score-based Model
- Title（参考訳）: スコアモデルによる画像操作の一般化に向けて
- Authors: Yunfei Wang, Bo Du, Zhe Yang, Xin Liu, Zhiyu Lin, Tianxin Xu, Ji-Zhe Zhou,
- Abstract要約: IMLにスコアベース生成モデルを導入する新しいフレームワークであるDiffIMLを提案する。
この定式化の下では、拡散モデルは学習したスコア関数の効果的な数値解法として機能する。
8つの非生成的および3つの生成的ベンチマークの実験は、DiffIMLが一貫して最先端の手法より優れていることを示した。
- 参考スコア（独自算出の注目度）: 38.03898206912958
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the rapid evolution of synthetic media, Image Manipulation Localization (IML) has emerged as a critical component in multimedia forensics for ensuring the integrity of digital content. However, generalization remains a core challenge, as existing discriminative methods typically learn a fixed decision boundary that tends to overfit to specific training artifacts and fails to adapt to unseen manipulation types. To address this, we propose DiffIML, a novel framework that introduces score-based generative modeling to IML. Diverging from the direct estimation of hard boundaries, DiffIML approximates the score function, the gradient of the log-likelihood, to capture the intrinsic geometric topology of mask distributions. This paradigm leverages structural priors to iteratively recover coherent masks from noise, thereby circumventing the brittleness associated with discriminative models. Under this formulation, diffusion models serve as an effective numerical solver for the learned score function.To ensure practicality, we respectively resolve the efficiency and stability bottlenecks of standard diffusion by: (1) utilizing a Lightweight Mask-Specific VAE for fast latent-space process and a decoupled architecture with a lightweight denoising UNet, (2) edge supervision and error prior to mitigate error accumulation during sampling. Extensive experiments of two distinct protocols on eight non-generative and three generative benchmarks demonstrate that DiffIML consistently outperforms state-of-the-art methods, yielding remarkable generalization improvements on diverse unseen datasets. The code will be publicly available.
- Abstract（参考訳）: 合成メディアの急速な進化に伴い、画像マニピュレーション・ローカライゼーション(IML)は、デジタルコンテンツの完全性を確保するためのマルチメディア法医学において重要な要素となっている。
しかしながら、既存の差別的手法は、特定の訓練成果物に過度に適合する傾向があり、目に見えない操作タイプに適応できないような、固定された決定境界を学ぶため、一般化は依然として中心的な課題である。
そこで我々は,ICMにスコアベース生成モデルを導入する新しいフレームワークであるDiffIMLを提案する。
ハードバウンダリの直接推定から逸脱したDiffIMLは、ログの勾配であるスコア関数を近似し、マスク分布の固有幾何学的位相を捉える。
このパラダイムは、構造的先行性を利用して、コヒーレントマスクをノイズから繰り返し回収することで、識別モデルに関連する脆さを回避する。
この定式化の下では, 拡散モデルは学習スコア関数の有効な数値解法として機能し, 実用性を確保するために, 1) 高速遅延空間プロセスに軽量マスク特化VAEと, 2) サンプリング中の誤差蓄積を緩和する前のエッジ監督とエラーを軽量デノナイズした疎結合アーキテクチャを用いて, 標準拡散の効率と安定性のボトルネックをそれぞれ解決する。
8つの非生成的および3つの生成的ベンチマーク上の2つの異なるプロトコルの広範な実験は、DiffIMLが一貫して最先端の手法より優れており、多様な未知のデータセットに対して顕著な一般化改善をもたらすことを示した。
コードは公開されます。
関連論文リスト
- Uncertainty Quantification for Large Language Diffusion Models [35.87984313223733]
自己回帰モデルに代わるものとして,大規模言語拡散モデル (LLDM) が登場している。
既存の不確実量化(UQ)手法は自己回帰因子化を前提とするか、高価な繰り返しサンプリングを使用する。
LLDMのUQに関する最初の体系的研究を行い、軽量ゼロショット不確実性信号を提案する。
論文 参考訳（メタデータ） (2026-05-14T08:39:56Z) - Detecting Deepfakes with Multivariate Soft Blending and CLIP-based Image-Text Alignment [4.34685509565816]
非常に現実的な顔の偽造の増殖は、堅牢な検出方法を必要とする。
既存のアプローチは、様々な偽造技術によって生成されたサンプル間の大きな分布シフトのために、限られた正確さと一般化の欠如に悩まされることが多い。
提案手法は,CLIPのマルチモーダルアライメント機能を利用して,微妙な偽の痕跡を捕捉する。
論文 参考訳（メタデータ） (2026-02-14T09:53:35Z) - Dual-End Consistency Model [41.982957134224904]
スロー反復サンプリングは拡散モデルとフローベース生成モデルの実践的展開において大きなボトルネックとなる。
本稿では,安定かつ効果的なトレーニングを実現するために,バイタルサブ軌道クラスタを選択するDual-End Consistency Model (DE-CM)を提案する。
提案手法は,ImageNet 256x256データセットの1ステップ生成において,最先端のFIDスコア1.70を達成し,既存のCMベースのワンステップアプローチよりも優れていた。
論文 参考訳（メタデータ） (2026-02-11T11:51:01Z) - HomoFM: Deep Homography Estimation with Flow Matching [2.0260360833154913]
HomoFMは、生成モデリングからホモグラフィー推定タスクにフローマッチング技術を導入する新しいフレームワークである。
我々は,HomoFMが標準ベンチマークにおける評価精度とロバスト性の両方において最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2026-01-26T07:17:32Z) - Robust Variational Model Based Tailored UNet: Leveraging Edge Detector and Mean Curvature for Improved Image Segmentation [7.638424494500011]
本稿では,変分モデルに基づくUNet(VM_TUNet)の頑健なバージョンを提案する。
VM_TUNetは、変分メソッドとディープラーニングを統合するハイブリッドフレームワークである。
3つのベンチマークデータセットを用いた実験により,提案手法は性能と計算効率のバランスの取れたトレードオフを実現することが示された。
論文 参考訳（メタデータ） (2025-12-08T14:33:52Z) - CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。
識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。
本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
論文 参考訳（メタデータ） (2025-06-13T13:30:15Z) - Multimodal LLM-Guided Semantic Correction in Text-to-Image Diffusion [52.315729095824906]
MLLM Semantic-Corrected Ping-Pong-Ahead Diffusion (PPAD) は,マルチモーダル大言語モデル(MLLM)を推論中の意味的オブザーバとして導入する新しいフレームワークである。
中間世代をリアルタイムに分析し、潜在意味的不整合を識別し、フィードバックを制御可能な信号に変換し、残りの認知ステップを積極的に導く。
大規模な実験ではPPADの大幅な改善が示されている。
論文 参考訳（メタデータ） (2025-05-26T14:42:35Z) - Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。
潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。
主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
論文 参考訳（メタデータ） (2024-11-23T19:10:32Z) - CamoDiffusion: Camouflaged Object Detection via Conditional Diffusion
Models [72.93652777646233]
カモフラーゲ型物体検出(COD)は、カモフラーゲ型物体とその周囲の類似性が高いため、コンピュータビジョンにおいて難しい課題である。
本研究では,CODを拡散モデルを利用した条件付きマスク生成タスクとして扱う新しいパラダイムを提案する。
カモ拡散(CamoDiffusion)と呼ばれる本手法では,拡散モデルのデノナイズプロセスを用いてマスクの雑音を反復的に低減する。
論文 参考訳（メタデータ） (2023-05-29T07:49:44Z)
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。