論文の概要: Progressive Decision-Making for Localizing Open-Ended AI-Generated Image Forgeries

• arxiv url: http://arxiv.org/abs/2607.29156v1
• Date: Fri, 31 Jul 2026 08:37:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 16:35:22.225742
• Title: Progressive Decision-Making for Localizing Open-Ended AI-Generated Image Forgeries
• Title（参考訳）: オープンエンディングAI生成画像の局所化のためのプログレッシブ意思決定
• Abstract要約: 我々はEvidence-Guided Mambaを導入し、不確実性とバウンダリを意識した状態更新を行う。 従来の操作データのみをトレーニングしても、この手法は目に見えないAI生成の偽造により大きな利益をもたらす。
• 参考スコア（独自算出の注目度）: 6.17384818802982
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-generated image forgeries are becoming increasingly realistic and difficult to characterize with fixed manipulation patterns. As generative models continue to evolve, it is impractical to expect a localization model to exhaustively learn all possible forgery appearances from large-scale training data alone. Nevertheless, many AI-generated forgeries still leave subtle forensic traces, although these cues are often weak and unevenly reliable across regions. Therefore, robust localization requires not only extracting informative forensic traces, but also making reliable decisions from incomplete and ambiguous evidence. In this paper, we move beyond static one-shot prediction and reformulate final forgery localization as an adaptive sequential decision-updating process, where the localization map is treated as an intermediate state rather than a fixed output. Rather than producing the final mask via one-shot pixel-wise prediction, our method progressively updates the localization state guided by available evidence, uncertainty, and boundary conditions. Specifically, we first transform mesoscopic traces into compact decision evidence via a lightweight decision evidence projector, and then introduce Evidence-Guided Mamba (EG-Mamba) to perform uncertainty- and boundary-aware state updating. This design allows reliable manipulated and background regions to be preserved, while ambiguous regions are cautiously revised according to the available evidence. Extensive experiments on both conventional and AI-generated manipulation benchmarks validate the effectiveness of the proposed method. Notably, even when trained only on conventional manipulation data, our method brings larger gains on unseen AI-generated forgeries, indicating that progressive decision-updating is especially useful for heterogeneous and hard-to-exhaustively-learn manipulation traces.
• Abstract（参考訳）: AI生成画像の偽造は、ますます現実的になり、固定された操作パターンで特徴付けるのが難しくなっている。 生成モデルが進化を続けるにつれて、大規模なトレーニングデータだけでは不可能な全ての偽の出現を、局所化モデルが抜本的に学習することは不可能である。 それでも、AIが生成した多くの偽造物は微妙な法医学的痕跡を残している。 したがって、ロバストなローカライゼーションは、情報的な法医学的痕跡を抽出するだけでなく、不完全かつ曖昧な証拠から信頼できる決定を行う必要がある。 本稿では,静的なワンショット予測を超越し,最終フォージェリーのローカライゼーションを適応的な逐次決定更新プロセスとして再構成し,そのローカライゼーションマップを固定出力ではなく中間状態として扱う。 そこで本手法では, 最終マスクを1画素単位の予測で生成するのではなく, 利用可能な証拠, 不確実性, 境界条件によって導かれる局所化状態を段階的に更新する。 具体的には、まず、軽量な決定証拠プロジェクタを用いてメソスコピックなトレースをコンパクトな決定証拠に変換し、続いてEvidence-Guided Mamba (EG-Mamba)を導入し、不確実性と境界を意識した状態更新を行う。 この設計により、信頼できる操作とバックグラウンドの領域を保存でき、不明瞭な領域は、利用可能な証拠に従って慎重に修正される。 提案手法の有効性を検証するため,従来のベンチマークとAIによるベンチマークの両方に対する大規模な実験を行った。 特に,従来の操作データのみに基づいてトレーニングを行った場合においても,この手法は目に見えないAI生成の偽造に対して大きな利益をもたらし,不均一かつ不均一に学習しにくい操作トレースに対して,進行的決定更新が特に有用であることを示す。

関連論文リスト

• DECODE: Tackling Representation and Decision Degradation in Continual AI-Generated Image Detection [18.945634783248202]
  本稿では,表現と決定のレベルでの忘れを緩和する分離された連続検出フレームワークを提案する。 19の生成領域の実験では、DECODEの平均精度は99.36%で、わずか0.39%しか忘れていない。
  論文  参考訳（メタデータ） (2026-07-30T08:55:46Z)
• InfoDense: Density-Aware Regional Decisive Replay for Memory-Efficient Incremental Face Forgery Detection [20.49662130758992]
  増分顔偽造検出は、進化する偽造の脅威に対処するための有望なアプローチとして登場した。 メモリ制限下での完全な履歴画像の保存は、しばしば微妙な偽造の手がかりを保存するのに失敗するか、ドメインバイアスを導入するかのいずれかである。 本稿では,これらの課題に対処するために,InfoDenseと呼ばれる密度対応地域決定型リプレイ戦略を提案する。
  論文  参考訳（メタデータ） (2026-07-18T16:25:27Z)
• Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning [37.21432992418335]
  EMSFD(Evidence-based decision Modeling for Synthetic Face Detection with uncertainty-driven active learning)を提案する。 提案手法は,既存のSOTAベースラインに比べて15%精度が向上する。
  論文  参考訳（メタデータ） (2026-05-11T03:33:22Z)
• Uncertainty-Aware Exploratory Direct Preference Optimization for Multimodal Large Language Models [53.15468578562038]
  マルチモーダル大言語モデル(MLLM)のための不確実性を考慮した探索的直接参照最適化(UE-DPO)手法を提案する。 まず、与えられた画像にトークン予測を根拠にしなかったモデルの不確かさを定量化する。 次に、好ましいサンプルにおいて、視覚的に不足したトークンに対する学習のプレッシャーを高め、非推奨サンプルにおける有益な知識の過度な報酬化を緩和する。
  論文  参考訳（メタデータ） (2026-05-06T13:08:12Z)
• The Courtroom Trial of Pixels: Robust Image Manipulation Localization via Adversarial Evidence and Reinforcement Learning Judgment [15.520850734569564]
  我々は,IMLタスクを証拠の対決とみなす法廷スタイルのIMLフレームワークを提案する。 我々は,不確実な地域で戦略的再推論と改良を行う強化学習モデルを開発した。 実験結果から,本モデルはSOTA IML法と比較して平均性能が優れていることがわかった。
  論文  参考訳（メタデータ） (2026-04-16T07:09:59Z)
• A Meaningful Perturbation Metric for Evaluating Explainability Methods [55.09730499143998]
  本稿では,画像生成モデルを用いて標的摂動を行う新しい手法を提案する。 具体的には,画像の忠実さを保ちながら,入力画像の高関連画素のみを塗布し,モデルの予測を変更することに焦点を当てる。 これは、しばしばアウト・オブ・ディストリビューションの修正を生み出し、信頼できない結果をもたらす既存のアプローチとは対照的である。
  論文  参考訳（メタデータ） (2025-04-09T11:46:41Z)
• Epistemic Uncertainty for Generated Image Detection [107.62647907393377]
  本稿では,創成モデルの時代において重要なセキュリティ問題に対処することを目的とした,てんかん不確実性によるAI生成画像検出のための新しいフレームワークを提案する。 我々の重要な洞察は、トレーニングとテストデータの分布の相違が、機械学習モデルのエピステマティック不確実性空間に顕著に現れていることに起因している。
  論文  参考訳（メタデータ） (2024-12-08T11:32:25Z)
• 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)
• Perturb, Attend, Detect and Localize (PADL): Robust Proactive Image Defense [5.150608040339816]
  本稿では,クロスアテンションに基づく符号化と復号の対称スキームを用いて,画像固有の摂動を生成する新しいソリューションであるPADLを紹介する。 提案手法は,StarGANv2,BlendGAN,DiffAE,StableDiffusion,StableDiffusionXLなど,さまざまなアーキテクチャ設計の未確認モデルに一般化する。
  論文  参考訳（メタデータ） (2024-09-26T15:16:32Z)
• Sampling Based On Natural Image Statistics Improves Local Surrogate Explainers [111.31448606885672]
  代理説明器は、モデルが予測にどのように到着するかをさらに理解するために、ポストホック解釈法として人気がある。 そこで本研究では,(1)局所領域のサンプリング方法を変更すること,(2)自然画像の分布特性を知覚的指標を用いて伝達すること,の2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-08-08T08:10:13Z)
• Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
  そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。 提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-26T16:03:55Z)
• On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
  決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-07-01T17:59:07Z)
• Better Fine-Tuning by Reducing Representational Collapse [77.44854918334232]
  既存の訓練済み言語モデルに対するアプローチは不安定であることが示されている。 本稿では,従来使用されていた対数目的をパラメトリックノイズに置き換える信頼領域理論に根ざした手法を提案する。 事前学習されたモデルは、微調整されるたびにより一般化可能な表現を維持している。
  論文  参考訳（メタデータ） (2020-08-06T02:13:16Z)

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。