論文の概要: Visual Distortion Detection in UGC Images Using Large Multimodal Models

• arxiv url: http://arxiv.org/abs/2608.09122v1
• Date: Mon, 10 Aug 2026 05:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.086047
• Title: Visual Distortion Detection in UGC Images Using Large Multimodal Models
• Title（参考訳）: 大規模マルチモーダルモデルを用いたUGC画像の視覚歪み検出
• Abstract要約: 我々は,大規模言語モデル(LLM)アーキテクチャを利用して,正確な視覚的歪み検出を行うtextbftextitVIGILを提案する。 我々のモデルは、ドメイン内合成歪み検出とtextitS2A タスクの両方において、強いベースラインを一貫して上回ります。
• 参考スコア（独自算出の注目度）: 40.6196464667839
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The localized depiction of perceptual quality has long been a crucial, yet underexplored, challenge in image quality assessment (IQA). Existing approaches based on large multimodal models (LMMs) predominantly rely on text-driven supervised fine-tuning (SFT). However, this training paradigm exhibits notable limitations in detection accuracy. Moreover, synthetically distorted images, which are often used as the primary training data source, show a significant generalization gap when deployed in real-world scenarios; thus, the \textbf{synthetic-to-authentic (\textit{S2A})} problem represents a critical challenge. Motivated by these issues, we propose \textbf{\textit{VIGIL}}, which leverages the LMM architecture for precise visual distortion detection. From a candidate pool of over 1000K samples, we construct the \textbf{\textit{VIGIL-140K}} training set, which consists of over 140K distorted images. These images are obtained through rigorous quality filtering and carefully crafted distortion injection, covering 8 major synthetic distortion categories. Our model leverages different layers of the large language model (LLM) decoder, treating them as \textit{multiple detectors} that perform synchronous distortion detection using multi-level features. Additionally, we retain distortion cues from predictions assigned to the non-distortion class, which helps mitigate the ambiguous foreground-background (\textit{FG-BG}) separation commonly encountered in the \textit{S2A} problem. After post-processing, our model consistently outperforms strong baselines on both in-domain synthetic distortion detection and \textit{S2A} tasks.
• Abstract（参考訳）: 知覚品質のローカライズされた描写は、画像品質評価(IQA)において、長い間重要で、未調査の課題であった。 大規模マルチモーダルモデル(LMM)に基づく既存のアプローチは、主にテキスト駆動による教師付き微調整(SFT)に依存している。 しかし、この訓練パラダイムは、検出精度の顕著な制限を示す。 さらに、しばしば一次トレーニングデータソースとして使用される合成歪み画像は、実世界のシナリオに展開する際の大きな一般化ギャップを示すため、 \textbf{synthetic-to-authentic (\textit{S2A})} 問題は重要な課題である。 これらの問題に触発されて,LMMアーキテクチャを活用して正確な視覚歪み検出を行う「textbf{\textit{VIGIL}}」を提案する。 1000K以上のサンプルの候補プールから,140K以上の歪み画像からなる‘textbf{\textit{VIGIL-140K}}トレーニングセットを構築する。 これらの画像は、厳密な品質のフィルタリングと慎重に加工された歪み注入によって得られ、8つの主要な合成歪みカテゴリをカバーする。 我々のモデルは,大規模言語モデル(LLM)デコーダの異なるレイヤを活用して,多レベル特徴を用いた同期歪み検出を行う「textit{multiple detectors}」として扱う。 さらに、非歪クラスに割り当てられた予測からの歪みの手がかりを保ち、これは \textit{S2A} 問題でよく見られる曖昧な前景(\textit{FG-BG})の分離を緩和するのに役立つ。 後処理後,本モデルは,ドメイン内合成歪み検出とtextit{S2A} タスクの両方において,強いベースラインを一貫して上回ります。

関連論文リスト

• Industrial Surface Defect Detection via Diffusion Generation and Asymmetric Student-Teacher Network [12.392157257527705]
  工業的な表面欠陥検出は、しばしば限られた欠陥サンプル、厳しい長い尾の分布、複雑な背景の下で微妙な欠陥を正確に局所化することの難しさに悩まされる。 本稿では,非対称な教師・学生アーキテクチャとDDPM(Denoising Diffusion Probabilistic Model)を統合した教師なし欠陥検出手法を提案する。
  論文  参考訳（メタデータ） (2026-04-21T08:47:32Z)
• Beyond Frequency: Scoring-Driven Debiasing for Object Detection via Blueprint-Prompted Image Synthesis [97.37770785712475]
  オブジェクト検出のための世代ベースデバイアスフレームワークを提案する。 提案手法は,未表現オブジェクト群の性能ギャップを著しく狭める。
  論文  参考訳（メタデータ） (2025-10-21T02:19:12Z)
• $\f{D^3}$QE: Learning Discrete Distribution Discrepancy-aware Quantization Error for Autoregressive-Generated Image Detection [85.9202830503973]
  視覚的自己回帰(AR)モデルは、離散トークン予測を通じて画像を生成する。 本稿では,離散分布離散性を考慮した量子化誤差(D$3$QE)を自己回帰画像検出に活用することを提案する。
  論文  参考訳（メタデータ） (2025-10-07T13:02:27Z)
• Text-Visual Semantic Constrained AI-Generated Image Quality Assessment [47.575342788480505]
  本稿では,AI生成画像におけるテキスト画像の一貫性と知覚歪みの両方を包括的に評価する統合フレームワークを提案する。 このアプローチでは、複数のモデルから重要な機能を統合し、2つのコアモジュールを導入することで、上記の課題に取り組む。 複数のベンチマークデータセットで実施されたテストは、SC-AGIQAが既存の最先端メソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2025-07-14T16:21:05Z)
• Robust CLIP-Based Detector for Exposing Diffusion Model-Generated Images [13.089550724738436]
  拡散モデル(DM)は画像生成に革命をもたらし、様々な分野にまたがる高品質な画像を生成する。 超現実的画像を作成する能力は、現実的コンテンツと合成的コンテンツを区別する上で大きな課題となる。 この研究は、CLIPモデルによって抽出された画像とテキストの特徴をMLP(Multilayer Perceptron)分類器と統合する堅牢な検出フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-04-19T14:30:41Z)
• Forgery-aware Adaptive Transformer for Generalizable Synthetic Image Detection [106.39544368711427]
  本研究では,様々な生成手法から偽画像を検出することを目的とした,一般化可能な合成画像検出の課題について検討する。 本稿では,FatFormerという新しいフォージェリー適応トランスフォーマー手法を提案する。 提案手法は, 平均98%の精度でGANを観測し, 95%の精度で拡散モデルを解析した。
  論文  参考訳（メタデータ） (2023-12-27T17:36:32Z)
• Benchmark Generation Framework with Customizable Distortions for Image Classifier Robustness [4.339574774938128]
  本稿では,画像分類モデルのロバスト性を評価するために,逆ベンチマークを生成する新しいフレームワークを提案する。 当社のフレームワークでは,画像に最適な歪みの種類をカスタマイズすることが可能で,デプロイメントに関連する歪みに対処する上で有効である。
  論文  参考訳（メタデータ） (2023-10-28T07:40:42Z)
• Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
  近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。 我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
  論文  参考訳（メタデータ） (2023-04-02T10:25:09Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• 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)
• Deep Learning-Based Defect Classification and Detection in SEM Images [1.9206693386750882]
  特に、異なるResNet、VGGNetアーキテクチャをバックボーンとして使用するRetinaNetモデルをトレーニングする。 そこで本研究では,異なるモデルからの出力予測を組み合わせることで,欠陥の分類と検出に優れた性能を実現するための選好に基づくアンサンブル戦略を提案する。
  論文  参考訳（メタデータ） (2022-06-20T16:34:11Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• Visual Analysis Motivated Rate-Distortion Model for Image Coding [34.76677294980739]
  本稿では,VVC(Versatile Video Coding)イントラ圧縮のための視覚解析によるレート歪みモデルを提案する。 提案モデルには,新しいレート割当戦略と新しい歪み測定モデルという2つの大きな貢献がある。
  論文  参考訳（メタデータ） (2021-04-21T02:27:34Z)

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。