論文の概要: EVAS: Efficient Multimodal Temporal Forgery Localization via Audio-Visual Synergy and Steered Boundary Calibration
- arxiv url: http://arxiv.org/abs/2607.04472v1
- Date: Sun, 05 Jul 2026 19:33:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.945574
- Title: EVAS: Efficient Multimodal Temporal Forgery Localization via Audio-Visual Synergy and Steered Boundary Calibration
- Title（参考訳）: EVAS: オーディオ・ビジュアル・シナジーとステアリング境界校正によるマルチモーダル・テンポラル・フォージェリ・ローカライゼーション
- Abstract要約: 本稿では,時間的フォージェリローカライゼーションのためのエンドツーエンドフレームワークEVASを提案する。
ステアリング境界校正を実現するために境界対応リファインメント戦略を導入する。
EVASは、最先端の平均ローカライゼーション精度と、3つのベンチマークデータセットの平均リコールを達成する。
- 参考スコア（独自算出の注目度）: 14.088182834458843
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid proliferation of artificial intelligence-generated content necessitates reliable multimodal forensics. Beyond video-level binary classification, precisely localizing sparsely distributed forged segments in long-form videos remains a critical challenge. This task is particularly difficult when manipulations are subtly embedded and cross-modal signals are weak and temporally diffuse. To address these challenges, we propose EVAS, an end-to-end multimodal framework for temporal forgery localization. At its core, a Multi-Stage Audio-Visual Synergy mechanism facilitates progressive cross-modal interaction to learn deep multimodal forensic representations and capture high-order semantic traces of sparse manipulations. Furthermore, we introduce a Boundary-Aware Refinement strategy to achieve steered boundary calibration. By incorporating invalid-frame masking, this strategy suppresses ambiguous regions and sharpens transition predictions. We adopt a decoupled training paradigm with auxiliary heads to disentangle representation learning from inference objectives, enhancing model generalization and stability. Additionally, a lightweight HourglassFFN is incorporated to reduce computational overhead. Extensive experiments demonstrate that EVAS achieves state-of-the-art average localization accuracy and average recall across three benchmark datasets, validating its effectiveness for fine-grained temporal forgery localization.
- Abstract（参考訳）: 人工知能が生成するコンテンツの急速な拡散は、信頼できるマルチモーダル法医学を必要とする。
ビデオレベルのバイナリ分類以外にも、わずかに分散されたフォージセグメントをロングフォームビデオに正確にローカライズすることは、依然として重要な課題である。
このタスクは、操作が微妙に埋め込まれ、クロスモーダル信号が弱く、時間的に拡散している場合、特に困難である。
これらの課題に対処するため,時空フォージェリーローカライゼーションのためのエンドツーエンドマルチモーダルフレームワークEVASを提案する。
その中核となるマルチステージオーディオ・ビジュアル・シナジー機構は、プログレッシブな相互モーダル相互作用を促進して、深いマルチモーダル法医学的表現を学習し、スパース操作の高次セマンティックトレースをキャプチャする。
さらに, ステアリング境界キャリブレーションを実現するため, 境界対応リファインメント戦略を導入する。
無効フレームマスキングを取り入れることで、この戦略はあいまいな領域を抑え、遷移予測を鋭くする。
我々は,モデル一般化と安定性の向上を図り,予測対象から表現学習を解き放つために,補助的頭部を持つ疎結合学習パラダイムを採用する。
さらに、計算オーバーヘッドを低減するために軽量のHourglassFFNが組み込まれている。
大規模な実験により、EVASは3つのベンチマークデータセットにまたがって最先端の平均的なローカライゼーション精度と平均リコールを実現し、時間的フォージェリーローカライゼーションの有効性を検証した。
関連論文リスト
- Hierarchical Multi-to-Single-Modal Knowledge Distillation for Disruption Prediction in EAST [16.625917870779237]
プラズマ破壊は時間的安全にとって重要な脅威であり、既存のデータ駆動予測器は主に時系列診断信号に依存している。
同期型マルチモーダルデータセット上での破壊予測のための階層型マルチツーシングルモーダル知識蒸留フレームワークを提案する。
その結果,提案フレームワークは推論コストを大幅に削減しつつ,マルチモーダル学習の差別的優位性を保ち,EASTにおける効率的な破壊予測のための効果的な経路を提供することができた。
論文 参考訳（メタデータ） (2026-07-05T11:34:23Z) - MG-RWKV: Multi-Grained Context-Aware RWKV for Temporal Forgery Localization [43.92649543343891]
MG-RWKV(MG-RWKV)は、O(T)複雑性を持つ全列処理のための多言語フレームワークである。
フレームワークは,2次的オーバーヘッドを伴わない双方向の時間的コンテキストをキャプチャする双方向RWKVアーキテクチャ,2 明示的時間的受容場を動的にルーティングする多角性混合(MG-MoE),3 決定解釈性を大幅に向上させるために,偽時間に基づいて粒度を適応的に選択する,3 階層的スケールワイドペアリングと空間境界認識重み付けにより隣接する特徴ピラミッドレベルを整列するCGC(Cross-Granularity Consistency) の3つの中心的イノベーションを特徴としている。
論文 参考訳（メタデータ） (2026-07-01T13:04:35Z) - Focus When Necessary: Adaptive Routing and Collaborative Grounding for Training-Free Visual Grounding [56.38477453373368]
LazyMCoTは動的でトレーニング不要なフレームワークで、サンプルの難易度に基づいて視覚的接地作業を適応的に割り当てる。
LazyMCoTは、推論精度を同時に改善し、平均推論レイテンシを低減することで、トレーニングベースのアプローチと競合する。
論文 参考訳（メタデータ） (2026-06-15T03:17:44Z) - AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。
ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。
実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文 参考訳（メタデータ） (2026-06-02T13:30:54Z) - FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。
本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。
FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
論文 参考訳（メタデータ） (2025-11-26T08:36:33Z) - Multi-modal Deepfake Detection and Localization with FPN-Transformer [21.022230340898556]
FPN変換器(Feature Pyramid-Transformer)に基づくマルチモーダルディープフェイク検出およびローカライゼーションフレームワークを提案する。
マルチスケールな特徴ピラミッドは、R-TLMブロックと局所的な注意機構によって構築され、コンテキスト間の時間的依存関係の結合解析を可能にする。
我々は,IJCAI'25 DDL-AVベンチマークの試験セットに対するアプローチを評価し,最終スコア0.7535で良好な性能を示した。
論文 参考訳（メタデータ） (2025-11-11T09:33:39Z) - Modest-Align: Data-Efficient Alignment for Vision-Language Models [67.48633659305592]
クロスモーダルアライメントモデルは、リソース制約のある環境での運用において、過信と劣化したパフォーマンスに悩まされることが多い。
我々は,ロバスト性と効率性に配慮した軽量アライメントフレームワークであるModest-Alignを提案する。
本手法は,実世界の低リソースシナリオにおけるクロスモーダルアライメントを実現するための,実用的でスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2025-10-24T16:11:10Z) - EfficientIML: Efficient High-Resolution Image Manipulation Localization [38.432078329653926]
1200以上の拡散生成操作を意味的に抽出したマスクを用いた新しい高分解能SIFデータセットを提案する。
本稿では,軽量で3段階のRWKVバックボーンを有する新しいEfficientIMLモデルを提案する。
提案手法は, ローカライズ性能, FLOP, 推論速度において, ViT ベースや他の SOTA 軽量ベースラインよりも優れている。
論文 参考訳（メタデータ） (2025-09-10T13:32:02Z) - A Multimodal Deviation Perceiving Framework for Weakly-Supervised Temporal Forgery Localization [21.13433908232578]
本研究は,時間的偽造の局所化を弱めるための枠組みを提案する。
ビデオレベルのアノテーションのみを使用して、時間的部分的な鍛造セグメントを特定することを目的としている。
大規模な実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2025-07-22T13:55:16Z) - Context-aware TFL: A Universal Context-aware Contrastive Learning Framework for Temporal Forgery Localization [60.73623588349311]
本研究では,時間的フォージェリーローカライゼーションのための共通文脈対応コントラスト学習フレームワーク (UniCaCLF) を提案する。
提案手法は教師付きコントラスト学習を利用して,異常検出による偽造瞬間の検出と同定を行う。
実物と偽物との間における特徴の識別可能性の限界をさらに押し上げるために、効率的な文脈対応コントラスト符号化を導入する。
論文 参考訳（メタデータ） (2025-06-10T06:40:43Z) - 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)
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。