論文の概要: Open-Set Visual Text Forensics via Sparse-Constraint Rectified Flow

• arxiv url: http://arxiv.org/abs/2608.02258v1
• Date: Mon, 03 Aug 2026 14:03:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.58847
• Title: Open-Set Visual Text Forensics via Sparse-Constraint Rectified Flow
• Title（参考訳）: Sparse-Constraint Rectified Flowによるオープンセットビジュアルテキストフォレスト
• Authors: Jiangling Zhang, Shuxuan Gao, Zeyu Chen, Yichao Liu, Yu Zhou,
• Abstract要約: ジェネレーティブAIは、現在の法医学的検出をますます回避する高度なビジュアルテキスト操作を可能にする。 本稿では,検索画像と正確な視覚テキスト統計とを一致させるのに必要な局所的修復コストを推定し,タンパリングを局所化する生成検出器を提案する。 本手法は,F1 と IoU の3.2 と 4.8 をそれぞれ上回り,最先端性能を達成する。
• 参考スコア（独自算出の注目度）: 11.434432702589868
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapidly evolving Generative AI enables sophisticated visual text manipulations that increasingly evade current forensic detectors. Existing discriminative models often overfit specific forgery patterns, limiting their generalization to unseen, open-set attacks. To address this challenge, we propose a generative detector that localizes tampering by estimating the local restoration cost required to align a query image with authentic visual-text statistics, rather than by learning forgery-specific decision boundaries. Specifically, we introduce Sparse-Constraint Rectified Flow (SC-RF), a detector-oriented adaptation of Flow Matching for spatially sparse anomaly localization. We further mitigate data scarcity via self-supervised Artifact Injection and preserve high-frequency forensic traces using a pixel-space Forensic-DiT. Extensive experiments on three benchmarks show that our method achieves state-of-the-art performance, surpassing the runner-up by 3.2 and 4.8 percentage points in F1 and IoU, respectively. In particular, the proposed detector demonstrates strong zero-shot performance on challenging unseen text editing patterns. We further provide an auxiliary stress-test analysis showing that local harmonization produced by our model can weaken the statistical cues relied upon by existing detectors, offering a complementary vulnerability-analysis perspective.
• Abstract（参考訳）: 急速に進化するジェネレーティブAIは、現在の法医学的検出を回避し、洗練されたビジュアルテキスト操作を可能にする。 既存の差別モデルはしばしば特定の偽造パターンに適合し、その一般化は目に見えないオープンセット攻撃に制限される。 この課題に対処するために,探索画像と真のビジュアルテキスト統計とを一致させるのに必要な局所的修復コストを,偽情報固有の決定境界を学習することよりも推定することで,改ざんを局所化する生成検出器を提案する。 具体的には,Sparse-Constraint Rectified Flow (SC-RF)を提案する。 我々は、自己教師型アーティファクトインジェクションによるデータの不足を軽減し、画素空間のForensic-DiTを用いて高周波の法医学的トレースを保存する。 提案手法は,F1,IoUの3.2,4.8ポイントを突破し,最先端性能を実現している。 特に,提案した検出器は,目に見えないテキスト編集パターンに強いゼロショット性能を示す。 さらに,本モデルが生み出す局所調和は,既存の検出器に頼っている統計的手がかりを弱め,相補的脆弱性分析の視点を提供する。

関連論文リスト

• Pre-Generation Hallucination Detection in Large Language Models via Soft-Target Attention Probing [0.9870126088784975]
  実験的な回答誤り率を過度にサンプリングした結果に基づいて,ソフトターゲットの監視を導入する。 我々は、前世代の設定に注意を向けることで、検知器が幻覚関連プロンプト表現を選択的に集約することを可能にする。
  論文  参考訳（メタデータ） (2026-06-20T07:31:41Z)
• On the Adversarial Robustness of Learning-based Conformal Novelty Detection [10.58528988397402]
  AdaDetect を用いた共形ノベルティ検出の対角的ロバスト性について検討した。 以上の結果から,高い検出力を維持しながらFDRを著しく増大させる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-10-01T03:29:11Z)
• T-Detect: Tail-Aware Statistical Normalization for Robust Detection of Adversarial Machine-Generated Text [16.983417848762826]
  大規模言語モデル(LLM)は、流動的で論理的なコンテンツを生成する能力を示し、機械生成のテキスト検出に重大な課題を提示している。 本稿では、曲率に基づく検出器を根本的に再設計する新しい検出法であるT-Detectを紹介する。 我々の貢献は、テキスト検出の理論的に正当化された新しい統計基盤、優れた堅牢性を示すアブレーション検証法、および敵条件下での性能の包括的解析である。
  論文  参考訳（メタデータ） (2025-07-31T14:08:04Z)
• Patch-aware Vector Quantized Codebook Learning for Unsupervised Visual Defect Detection [4.081433571732692]
  産業応用においては、教師なしの視覚欠陥検出が重要である。 教師なし欠陥検出に最適化された拡張VQ-VAEフレームワークを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-15T22:26:26Z)
• Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection [78.734927709231]
  異常検出器は、クエリー画像の未知の欠陥を検出し、ローカライズするために工業製造で広く使われている。 これらの検出器は異常のないサンプルで訓練され、ほとんどの通常のサンプルと区別された異常を成功させた。 しかし、ハードノーマルな例は、ほとんどの通常のサンプルから遠く離れており、しばしば既存の方法によって異常と誤認される。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。