論文の概要: CPG-PAD: Concept-Informed Prompts Guided Presentation Attack Detection

• arxiv url: http://arxiv.org/abs/2607.01303v1
• Date: Wed, 01 Jul 2026 15:33:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.538291
• Title: CPG-PAD: Concept-Informed Prompts Guided Presentation Attack Detection
• Title（参考訳）: CPG-PAD:概念インフォームド・プロンプトによる提示検出
• Abstract要約: Concept-Informed Prompts Guided Presentation Attack Detection (CPG-PAD) は、モデルレベルの概念ガイダンスを素早い学習プロセスに導入するフレームワークである。 CPG-PADは、マルチソース、リミテッドソース、シングルソース設定下で、最先端のクロスドメインパフォーマンスを一貫して達成する。
• 参考スコア（独自算出の注目度）: 33.657914787417525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Presentation Attack Detection (PAD) serves as a crucial safeguard for face recognition systems against presentation attacks such as printed photos, replayed videos, and 3D masks. Despite significant progress, existing PAD models still struggle to generalize across unseen domains due to variations in sensors, lighting, and attack materials. Recent Vision-Language Models (VLMs) have shown strong generalization ability, yet their applications in PAD remain limited because learned prompts, typically optimized under class-label supervision, fail to explicitly align with fine-grained attack-relevant visual semantics. As a result, the learned representations often overfit domain-specific artifacts instead of capturing transferable attack cues. To address this, we propose Concept-Informed Prompts Guided Presentation Attack Detection (CPG-PAD), a framework that introduces model-level concept guidance into the prompt learning process. Specifically, we design a Visual Concept-driven Enhancement (VCE) module that employs eXplainable AI (XAI) techniques to automatically discover PAD-relevant visual concepts and generate concept-associated heatmaps providing localized fine-grained guidance. Guided by these heatmaps, a Prompt-based Concept Injection (PCI) mechanism integrates these concepts into the prompt space through a Visual-Prompt Decoder (VPD) and a concept-mapping loss, enabling prompts to align with the model's internal concept space. This design enables CPG-PAD to capture generalizable and domain-invariant attack cues while effectively suppressing dataset-specific biases. Extensive experiments across nine benchmark datasets demonstrate that CPG-PAD consistently achieves state-of-the-art cross-domain performance under multi-source, limited-source, and single-source settings.
• Abstract（参考訳）: プレゼンテーション攻撃検出(PAD)は、印刷された写真、再生されたビデオ、および3Dマスクなどのプレゼンテーション攻撃に対して、顔認識システムにとって重要な保護手段である。 大幅な進歩にもかかわらず、既存のPADモデルはセンサー、照明、攻撃材料の変化により、目に見えない領域をまたがる一般化に苦慮している。 近年のビジョン・ランゲージ・モデル(VLM)は、強力な一般化能力を示しているが、学習プロンプト(典型的にはクラスラベルの監督下で最適化されている)は、きめ細かい攻撃関連視覚意味論と明確に一致しないため、PADでの応用は限定的のままである。 その結果、学習された表現は、転送可能なアタックキューをキャプチャする代わりに、ドメイン固有のアーティファクトに過度に適合することが多い。 そこで本研究では,モデルレベルの概念ガイダンスを学習プロセスに導入するCPG-PAD(Concept-Informed Prompts Guided Presentation Detection)を提案する。 具体的には、eXplainable AI(XAI)技術を用いた視覚概念駆動型拡張(VCE)モジュールを設計し、PAD関連視覚概念を自動的に検出し、局所的なきめ細かいガイダンスを提供する概念関連ヒートマップを生成する。 これらのヒートマップによって導かれ、Promptベースの概念注入(PCI)メカニズムは、これらの概念をVisual-Prompt Decoder (VPD)とコンセプト・マッピング損失を通じてプロンプト空間に統合し、モデルの内部概念空間との整合を可能にする。 この設計により、CPG-PADは、データセット固有のバイアスを効果的に抑制しつつ、一般化可能な、ドメイン不変の攻撃キューをキャプチャできる。 9つのベンチマークデータセットにわたる大規模な実験により、CPG-PADは、マルチソース、リミテッドソース、シングルソース設定の下で、最先端のクロスドメインパフォーマンスを一貫して達成している。

関連論文リスト

• Primitive-Driven Compositional Forensic Visual Prompting for Open-World Face Anti-Spoofing [59.765442274924595]
  視覚的特徴空間で完全に機能する合成視覚的プロンプト学習フレームワークを提案する。 このフレームワークは、学習可能なマイクロ法医学的プリミティブの共有セットを局所的な法医学的エビデンスユニットに洗練するためにパッチ対応の注意を払っている。 9つのオープンワールドプロトコルの実験は、最先端のパフォーマンス、強力なクロスドメインの一般化、そして目に見えない攻撃への堅牢な適応を示す。
  論文  参考訳（メタデータ） (2026-08-18T04:18:08Z)
• Uni-AdaVD: Universal Concept Erasure for Visual Generation via Orthogonal Value Decomposition [62.947473058878565]
  視覚生成のための普遍的推論時概念消去フレームワークUni-AdaVDを提案する。 この結果から,Uni-AdaVDは現代の視覚生成モデルに対して,効率的かつ適応的な安全機構を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-07-16T03:16:51Z)
• Towards Robustness against Typographic Attack with Training-free Concept Localization [42.575178574443946]
  Contrastive Language-Image Pretraining Model (CLIP)は、現代のLVLM(Large Vision Language Models)の基盤となるビジョンエンコーダとして機能する。 CLIPモデルには重要な障害モードがあり、画像内に現れる無関係なテキストは、真の視覚的意味論ではなく、語彙的な意味に偏っている。 この問題は、一般的にはTypographic Attack (TA)と呼ばれ、自律運転のような安全クリティカルなアプリケーションに重大なリスクをもたらす脆弱性を露呈する。 そこで本稿では,TAに対する解釈可能かつ効果的なロバスト性を実現するための,新しい学習自由な機械的解釈法を提案する。
  論文  参考訳（メタデータ） (2026-07-02T17:55:24Z)
• From Local to Global to Mechanistic: An iERF-Centered Unified Framework for Interpreting Vision Models [29.908678230814015]
  iERF中心のフレームワークを導入し,局所的,グローバル的,メカニスティックな1つの解析ユニットの解釈性を統一する。 局所的に、共有比(Sharing Ratio Decomposition, SRD)は、各PFVを、共有比を介して上流のPFVの混合として表現し、iERFを伝播して、クラス別サリエンシマップを構築する。 グローバルな視点では,iERFをセマンティックラベルとして利用するConcept-Anchored Feature Explanation (CAFE)を導入する。
  論文  参考訳（メタデータ） (2026-05-01T07:25:49Z)
• Visual prompting reimagined: The power of the Activation Prompts [72.85146015928626]
  本稿では,入力レベルのVPの範囲を広げる,アクティベーションプロンプト(AP)の概念を導入する。 APは畳み込みニューラルネットワークと視覚変換器の正規化チューニングと密接に関連している。 畳み込みニューラルネットワークと視覚変換器の正規化チューニングとAPは密接に関連していることを示す。
  論文  参考訳（メタデータ） (2026-04-07T20:28:24Z)
• PVI: Plug-in Visual Injection for Vision-Language-Action Models [8.641415997612066]
  事前訓練されたVLMとフローマッチングアクションエキスパートを組み合わせたVLAは、言語条件による操作の強力なパラダイムとして登場した。 このモジュールは、訓練済みのアクションエキスパートにアタッチされ、ゼロd残差経路を介して補助的な視覚表現を注入する。
  論文  参考訳（メタデータ） (2026-03-13T08:16:53Z)
• SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection [55.54007781679915]
  本稿では,多種多様な視覚的エンコーディングを効率よく融合させ,モデルの微粒化知覚を高めるSynergistic Semantic-Visual Prompting (SSVP)を提案する。 SSVPは、MVTec-AD上で93.0%のImage-AUROCと92.2%のPixel-AUROCで最先端のパフォーマンスを達成し、既存のゼロショットアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-14T04:42:19Z)
• V-Attack: Targeting Disentangled Value Features for Controllable Adversarial Attacks on LVLMs [66.81402538540458]
  本稿では,局所的セマンティックアタックの新しい手法であるV-Attackを提案する。 V-Attackは、最先端の手法よりも平均して36%の攻撃成功率を改善する。
  論文  参考訳（メタデータ） (2025-11-25T11:51:17Z)
• CoPA: Hierarchical Concept Prompting and Aggregating Network for Explainable Diagnosis [8.56688324078793]
  Concept Prompting and Aggregating (CoPA)は、プロンプトガイダンスの下で多層概念をキャプチャするために設計された新しいフレームワークである。 各レイヤからの視覚表現は、テキストの概念表現と整合するように集約される。 CoPAは3つのパブリックデータセット上で最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-10-04T10:29:15Z)
• VGGT-DP: Generalizable Robot Control via Vision Foundation Models [13.41554759983567]
  VGGT-DPは、事前学習された3次元知覚モデルから幾何的先入観を受容的フィードバックと統合するビジュモータ・ポリシー・フレームワークである。 我々は,視覚的エンコーダとしてVGGT(Visual Geometry Grounded Transformer)を採用し,視覚的知覚と内部ロボットの状態との整合性を実現するために,プロプリセプション誘導型視覚学習戦略を導入する。 挑戦的なMetaWorldタスクの実験では、VGGT-DPはDPやDP3のような強力なベースライン、特に精度クリティカルで長期のシナリオにおいて著しく優れていた。
  論文  参考訳（メタデータ） (2025-09-23T08:15:30Z)
• HAMLET-FFD: Hierarchical Adaptive Multi-modal Learning Embeddings Transformation for Face Forgery Detection [6.060036926093259]
  HAMLET-FFDは顔偽造検出のためのクロスドメイン一般化フレームワークである。 視覚的証拠と概念的手がかりを統合し、専門家の法医学的分析をエミュレートする。 HAMLET-FFDは設計上、外部プラグインとして機能する全ての事前訓練されたパラメータを凍結する。
  論文  参考訳（メタデータ） (2025-07-28T15:09:52Z)
• Advancing General Multimodal Capability of Vision-language Models with Pyramid-descent Visual Position Encoding [64.29499221878746]
  視覚言語モデル(VLM)は、汎用人工知能の進歩において顕著な能力を示している。 PyPEは、VLM内の視覚トークンの知覚を高めるために設計された新しいアプローチである。 本手法は,相互関連視覚要素と命令トークンとの相対的距離を減少させる。
  論文  参考訳（メタデータ） (2025-01-19T07:00:46Z)
• HCVP: Leveraging Hierarchical Contrastive Visual Prompt for Domain Generalization [69.33162366130887]
  ドメイン一般化(DG)は、不変の機能を学ぶことによって、目に見えないシナリオに優れた機械学習モデルを作成するための取り組みである。 モデルにドメインレベルとタスク固有の特性を補足する新しい手法を提案する。 このアプローチは、特定の特徴から不変な特徴をより効果的に分離し、一般化を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-01-18T04:23:21Z)

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。