論文の概要: Order within Chaos: Capturing Intrinsic Energy Anomalies for AI-Manipulated Image Forgery Localization

• arxiv url: http://arxiv.org/abs/2606.02178v1
• Date: Mon, 01 Jun 2026 12:36:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:32.005815
• Title: Order within Chaos: Capturing Intrinsic Energy Anomalies for AI-Manipulated Image Forgery Localization
• Title（参考訳）: カオス内秩序:AI操作画像フォージェリローカライゼーションのための固有のエネルギー異常をキャプチャする
• Abstract要約: 生成AIの最近の進歩は、現実的な偽造を生成できる画像編集モデルに繋がった。 本稿では,LADマップを用いて固有異常を捕捉する統合フレームワークFLAMEを提案する。 法医学的なベンチマークと進化する生成モデルの間の遅延を埋めるために、EditStreamを紹介します。
• 参考スコア（独自算出の注目度）: 44.530431689652396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in generative AI have led to image editing models capable of producing realistic forgeries that evade traditional image forgery localization methods, as these approaches depend on physical noise absent in synthetic data. To address this challenge, we theoretically demonstrate that the diffusion process inherently suppresses local high-frequency variance, creating a statistical energy gap that is distinguishable from the natural entropy of optical imaging. Guided by this insight, we propose FLAME, a unified framework that utilizes a LAD map to capture these intrinsic anomalies, coupled with a parameter-efficient adapter for SAM to achieve precise, pixel-level forgery localization. Furthermore, to bridge the lag between forensic benchmarks and evolving generative models, we introduce EditStream, an automated pipeline for continuous, instruction-based training data synthesis. Extensive experiments demonstrate that FLAME establishes a new state-of-the-art, significantly outperforming previous methods on AI-generated forgery datasets while effectively generalizing to unseen generative architectures. Our code is available at https://github.com/phoenixnir/FLAME.
• Abstract（参考訳）: 生成AIの最近の進歩は、これらのアプローチが合成データに欠落する物理的ノイズに依存するため、従来の画像フォージェリーのローカライゼーション方法を回避する現実的なフォージェリーを生成することができる画像編集モデルにつながっている。 この課題に対処するために、拡散過程は局所的な高周波のばらつきを本質的に抑制し、光学画像の自然なエントロピーと区別できる統計的エネルギーギャップを生み出すことを理論的に実証する。 この知見に導かれたFLAMEは,これらの固有異常を捉えるためにLADマップを利用する統一フレームワークであり,SAMのパラメータ効率の高いアダプタと組み合わせて,精度の高い画素レベルのフォージェリーローカライゼーションを実現する。 さらに、法医学的なベンチマークと進化する生成モデルの間の遅延を埋めるために、連続的な命令ベースのトレーニングデータ合成のための自動化パイプラインであるEditStreamを紹介します。 広範囲にわたる実験により、FLAMEはAI生成フォージェリーデータセットの従来の手法よりもはるかに優れており、目に見えない生成アーキテクチャに効果的に一般化されていることが示されている。 私たちのコードはhttps://github.com/phoenixnir/FLAME.comから入手可能です。

関連論文リスト

• Latent Forcing: Reordering the Diffusion Trajectory for Pixel-Space Image Generation [36.41177812868683]
  遅延拡散モデルは高品質な画像を生成するのに優れるが、エンドツーエンドのモデリングの利点は失われる。 本稿では,生の自然画像上での潜伏拡散の効率性を実現するため,既存のアーキテクチャを簡易に修正した潜伏強制法を提案する。 Latent Forcingは、我々の計算スケールで拡散トランスフォーマーベースのピクセル生成のための新しい最先端を実現する。
  論文  参考訳（メタデータ） (2026-02-11T22:09:58Z)
• Edit2Perceive: Image Editing Diffusion Models Are Strong Dense Perceivers [55.15722080205737]
  Edit2Perceiveは、深度、正規度、マッティングの編集モデルを適応させる統合拡散フレームワークである。 私たちの単一ステップの決定論的推論は、比較的小さなデータセットでトレーニングしながら、より高速なランタイムをもたらす。
  論文  参考訳（メタデータ） (2025-11-24T01:13:51Z)
• TIR-Diffusion: Diffusion-based Thermal Infrared Image Denoising via Latent and Wavelet Domain Optimization [11.970228442183476]
  本稿では拡散型TIR画像復調フレームワークを提案する。 提案手法は、遅延空間と離散ウェーブレット変換(DWT)/二重ツリー複合ウェーブレット変換(DTCWT)の損失を組み合わせた新しい損失関数を用いてモデルを微調整する。 ベンチマークデータセットの実験は、最先端のデノナイジング手法と比較して、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2025-07-30T06:27:32Z)
• LATTE: Latent Trajectory Embedding for Diffusion-Generated Image Detection [13.576997219135992]
  LATent Trajectory Embeddingは、複数の認知ステップにまたがる遅延埋め込みの進化をモデル化する新しいアプローチである。 GenImage、Chameleon、Diffusion Forensicsといったいくつかのベンチマークの実験は、LATTEが優れたパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2025-07-03T12:53:47Z)
• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• Time Step Generating: A Universal Synthesized Deepfake Image Detector [0.4488895231267077]
  汎用合成画像検出器 Time Step Generating (TSG) を提案する。 TSGは、事前訓練されたモデルの再構築能力、特定のデータセット、サンプリングアルゴリズムに依存していない。 我々は,提案したTSGを大規模GenImageベンチマークで検証し,精度と一般化性の両方において大幅な改善を実現した。
  論文  参考訳（メタデータ） (2024-11-17T09:39:50Z)
• Edge-preserving noise for diffusion models [4.435514696080208]
  既存の等方性モデルに対して一般化した新しいエッジ保存拡散モデルを提案する。 モデルの生成過程はより高速に収束し, 対象の分布とより密に一致していることを示す。 我々のエッジ保存拡散プロセスは、非条件画像生成における最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2024-10-02T13:29:52Z)
• Steered Diffusion: A Generalized Framework for Plug-and-Play Conditional Image Synthesis [62.07413805483241]
  Steered Diffusionは、無条件生成のために訓練された拡散モデルを用いたゼロショット条件画像生成のためのフレームワークである。 塗装,着色,テキスト誘導セマンティック編集,画像超解像などのタスクに対して,ステアリング拡散を用いた実験を行った。
  論文  参考訳（メタデータ） (2023-09-30T02:03:22Z)
• Gradpaint: Gradient-Guided Inpainting with Diffusion Models [71.47496445507862]
  Denoising Diffusion Probabilistic Models (DDPM) は近年,条件付きおよび非条件付き画像生成において顕著な成果を上げている。 我々はGradPaintを紹介し、グローバルな一貫性のあるイメージに向けて世代を操る。 我々は、様々なデータセットで訓練された拡散モデルによく適応し、現在最先端の教師付きおよび教師なしの手法を改善している。
  論文  参考訳（メタデータ） (2023-09-18T09:36:24Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)

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。