論文の概要: Simple Domain Generalization for Strong Pixel-Level Image Tampering Detection in Modern VLMs

• arxiv url: http://arxiv.org/abs/2607.18230v1
• Date: Mon, 20 Jul 2026 17:58:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.732137
• Title: Simple Domain Generalization for Strong Pixel-Level Image Tampering Detection in Modern VLMs
• Title（参考訳）: 最新のVLMにおける高精細画像タンパ検出のための簡易領域一般化
• Abstract要約: 本研究は,現代視覚言語モデルにおける画素レベルの画像改ざん検出のための領域一般化に関する研究である。 本稿では,2つの実践的戦略に基づいて構築された,シンプルで効果的なドメイン一般化トレーニングフレームワークを提案する。 我々のフレームワークは、従来のPIXARよりも26.1%と26.8%の差で、平均gIoUとcIoUの相対的な改善を達成している。
• 参考スコア（独自算出の注目度）: 91.76600851757586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern vision-language models (VLMs) have significantly improved image generation and editing capabilities, making pixel-level image tampering detection increasingly important yet challenging under cross-model and out-of-distribution shifts. This work studies domain generalization for pixel-level image tampering detection in modern VLMs like ChatGPT, Gemini, Qwen-Image, etc., aiming to learn tampering localization models that remain robust across diverse VLM-generated manipulation distributions. We propose a simple yet effective domain-generalized training framework built on two practical strategies. First, we introduce a balanced minibatch sampling scheme that strategically samples tampered and real images in each minibatch, preventing biased optimization toward either manipulated artifacts or clean-image priors and avoiding training collapse, ensuring that each optimization step receives proper sampled gradient signals. Second, we adopt a simple late-injection strategy, where the detector is first trained on large-scale base data until stable convergence, and then exposed to a small amount of newly selected supporting data from emerging VLM distributions, improving adaptability without overfitting to limited new domains. Together, these components provide a simple yet strong recipe for improving pixel-level tampering localization and OOD robustness across modern VLMs. Despite the conceptual simplicity, our framework outperforms the prior state-of-the-art PIXAR by a large margin of 26.1% and 26.8% relative improvement in average gIoU and cIoU, respectively, across OOD VLMs of GPT-Images-2.0, Gemini-3.1, FLUX.2, and Seedream 4.5. Our code is available at https://github.com/VILA-Lab/PIXAR-DG
• Abstract（参考訳）: 現代の視覚言語モデル(VLM)は画像生成と編集機能を大幅に改善し、画素レベルの画像改ざん検出がますます重要になる一方で、クロスモデルやアウト・オブ・ディストリビューションシフトの下では困難になっている。 本研究は,ChatGPT,Gemini,Qwen-Imageなどの現代VLMにおける画素レベルの画像改ざん検出のための領域一般化について検討し,多種多様なVLM生成操作分布で頑健なローカライズモデルを学習することを目的とした。 本稿では,2つの実践的戦略に基づいて構築された,シンプルで効果的なドメイン一般化トレーニングフレームワークを提案する。 まず,各ミニバッチ内の改ざん画像と実画像を戦略的にサンプリングし,操作されたアーティファクトやクリーンイメージに対する偏りのある最適化を防止し,トレーニングの崩壊を回避し,各最適化ステップが適切なサンプル勾配信号を受け取ることを確実にする,バランスの取れたミニバッチサンプリング手法を提案する。 第2に,本手法では,安定収束まで大規模ベースデータに基づいて検出装置を訓練し,新たなVLM分布から新たに選択した少数のサポートデータに曝露し,新しい領域に過度に適合させることなく適応性を向上する,簡易な遅延注入方式を採用する。 これらのコンポーネントは、画素レベルのタンパリングローカライゼーションと、現代のVLMにおけるOODロバスト性を改善するための、シンプルながら強力なレシピを提供する。 GPT-Images-2.0, Gemini-3.1, FLUX.2, Seedream 4.5のOOD VLMにおいて, 従来のPIXARよりも26.1%, 平均gIoUとcIoUが26.8%向上した。 私たちのコードはhttps://github.com/VILA-Lab/PIXAR-DGで利用可能です。

関連論文リスト

• Dual-Foundation Models for Unsupervised Domain Adaptation [2.279449016085348]
  セグメンテーションモデルのトレーニングには、現実世界のデータセットにコストがかかる、労働集約的なアノテーションが必要です。 Unsupervised Domain Adaptation (UDA)は、ラベル付き合成データ上でモデルをトレーニングし、ラベルなしの実画像に適用することによって、この問題に対処する。 本稿では,2つの相補的基礎モデルを利用する二重境界 UDA フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-05T04:52:08Z)
• High-resolution Photo Enhancement in Real-time: A Laplacian Pyramid Network [73.19214585791268]
  本稿では,LLF-LUT++と呼ばれるピラミッドネットワークについて紹介する。 具体的には,ダウンサンプリング画像のグローバル音節特性を活かした画像適応型3D LUTを利用する。 LLF-LUT++は、HDR+データセット上でPSNRが2.64dB改善されただけでなく、4K解像度の画像を1つのGPUでわずか13msで処理することで、さらに削減されている。
  論文  参考訳（メタデータ） (2025-10-13T16:52:32Z)
• Policy Optimized Text-to-Image Pipeline Design [73.9633527029941]
  本稿では,テキスト・ツー・イメージ生成のための新しい強化学習フレームワークを提案する。 提案手法は、まず、画像品質のスコアをインタプリタ-ワークフローの組み合わせから直接予測できる報奨モデルのアンサンブルを訓練する。 次に、最初の語彙学習とGRPOに基づく最適化という2段階のトレーニング戦略を実装した。
  論文  参考訳（メタデータ） (2025-05-27T17:50:47Z)
• SUDO: Enhancing Text-to-Image Diffusion Models with Self-Supervised Direct Preference Optimization [19.087540230261684]
  従来のテキスト・画像拡散モデルでは、教師付き微調整を用いて事前訓練されたベースモデルを強化するのが一般的である。 我々は,画素レベルの細かな詳細とグローバルな画質の両方を最適化する新しいパラダイムであるSelf-SUpervised Direct preference Optimization (SUDO)を紹介する。 教師付き微調整の効果的な代替として、SUDOはどんなテキスト・画像拡散モデルにもシームレスに適用できる。
  論文  参考訳（メタデータ） (2025-04-20T08:18:27Z)
• Improving Pixel-based MIM by Reducing Wasted Modeling Capability [77.99468514275185]
  浅い層から低レベルの特徴を明示的に利用して画素再構成を支援する手法を提案する。 私たちの知る限りでは、等方的アーキテクチャのためのマルチレベル特徴融合を体系的に研究するのは、私たちは初めてです。 提案手法は, 微調整では1.2%, 線形探索では2.8%, セマンティックセグメンテーションでは2.6%など, 大幅な性能向上をもたらす。
  論文  参考訳（メタデータ） (2023-08-01T03:44:56Z)
• Local-Global Transformer Enhanced Unfolding Network for Pan-sharpening [13.593522290577512]
  パンシャーピングは,低分解能マルチスペクトル (LrMS) 画像の空間分解能を,対応するパンクロマティック (PAN) 画像の誘導により向上することを目的としている。 深層学習(DL)に基づくパンシャーピング法は有望な性能を達成しているが、そのほとんどは2倍の欠損を有する。
  論文  参考訳（メタデータ） (2023-04-28T03:34:36Z)
• PixMIM: Rethinking Pixel Reconstruction in Masked Image Modeling [83.67628239775878]
  Masked Image Modeling (MIM) は Masked Autoencoders (MAE) と BEiT の出現によって有望な進歩を遂げた。 本稿では,画素再構成の観点からMIMの基本解析を行う。 我々は,2つの戦略を包含する極めて単純で効果的な方法,weelmethodを提案する。
  論文  参考訳（メタデータ） (2023-03-04T13:38:51Z)
• FeatMatch: Feature-Based Augmentation for Semi-Supervised Learning [64.32306537419498]
  本稿では,複雑な変換を多様に生成する特徴量に基づく改良・拡張手法を提案する。 これらの変換は、クラスタリングを通じて抽出したクラス内およびクラス間の両方の情報も利用します。 提案手法は,大規模データセットにスケールアップしながら,より小さなデータセットに対して,現在の最先端技術に匹敵するものであることを実証する。
  論文  参考訳（メタデータ） (2020-07-16T17:55:31Z)

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。