論文の概要: Defake-o3: From Speculative Rationales to Verifiable Evidence for Explainable AIGI Detection
- arxiv url: http://arxiv.org/abs/2608.16259v1
- Date: Mon, 17 Aug 2026 08:30:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.592205
- Title: Defake-o3: From Speculative Rationales to Verifiable Evidence for Explainable AIGI Detection
- Title（参考訳）: Defake-o3: 説明可能なAIGI検出のための仮説から検証可能な証拠へ
- Abstract要約: 本稿では,AIGI検出器であるDedeake-o3について述べる。
インタラクティブなビジュアル検索と検証対象の証拠のアライメントを組み合わせる。
Defake-o3は検出精度と説明品質の両方を改善する。
- 参考スコア（独自算出の注目度）: 8.599317072232198
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid progress of image generation models calls for AI-generated image (AIGI) detectors that are not only accurate but also explainable and reliable. While MLLM-based detectors can provide natural language explanations, existing methods often generate speculative rationales: they rely on vague or hallucinated artifacts, miss subtle localized flaws from the latest generators, and fail to provide evidence that can be visually verified. We present Defake-o3, an explainable AIGI detector that moves from speculative rationales to verifiable evidence. It combines interactive visual search with verifier-guided evidence alignment: the model iteratively zooms into suspicious regions to inspect fine-grained details, while an Evidence Verifier, trained from human verification annotations, provides reinforcement learning rewards that favor grounded evidence and penalize baseless claims. To support this objective, we construct GroundFake, a dataset designed for grounded explainable detection, with localized bounding-box evidence, human verification based on visual grounding and artifact specificity, corrected reasoning trajectories, and valid/invalid evidence supervision. We further introduce FakeFrontier, an out-of-distribution benchmark built from real images and outputs of 10 recent generators, together with an MLLM-based protocol for evaluating evidence quality and persuasiveness. Experiments on GroundFake, FakeFrontier, and additional out-of-distribution benchmarks show that Defake-o3 improves both detection accuracy and explanation quality, producing more localized, verifiable, and persuasive evidence.
- Abstract（参考訳）: 画像生成モデルの急速な進歩は、正確であるだけでなく、説明可能で信頼性の高いAI生成画像検出器(AIGI)を必要とする。
MLLMをベースとした検出器は自然言語による説明を提供することができるが、既存の手法ではしばしば投機的合理性を生成する:それらは曖昧で幻覚的なアーティファクトに依存し、最新のジェネレータの微妙な局所的な欠陥を見逃し、視覚的に検証できる証拠を提供しない。
本稿では,AIGI検出器のDefake-o3について述べる。
モデルは不審な領域に反復的にズームして詳細な詳細を検査する一方で、人間の検証アノテーションから訓練された証拠検証は、根拠のない証拠を優先し、根拠のない主張を罰する強化学習報酬を提供する。
この目的を達成するために,グラウンドフェイクを構築した。グラウンドフェイクは,局所的なバウンディングボックスのエビデンス,視覚的グラウンドとアーティファクトの特異性に基づく人間による検証,推論軌道の修正,有効かつ無効なエビデンス監視を備えた,グラウンドフェイクである。
さらに,10個の最近のジェネレータの実際の画像と出力から構築したアウト・オブ・ディストリビューション・ベンチマークであるFakeFrontierと,エビデンスの品質と説得力を評価するMLLMベースのプロトコルについても紹介する。
GroundFake、FakeFrontier、その他のアウト・オブ・ディストリビューション・ベンチマークの実験では、Defake-o3は検出精度と説明品質の両方を改善し、より局所的で検証可能で説得力のある証拠を生み出している。
関連論文リスト
- VidForensics-M1: Meta-Detection Reinforcement Learning with Verifiable Temporal Grounding for AI-Generated Video Forensics [21.438987128589403]
我々は,AIが生成するビデオ検出にtextbfmeta-detectionを導入し,信頼性の高い偽造検出を可能にする。
この知見に基づいて,ペア化されたリアルタイムビデオを生成する自動データ構築パイプラインを提案する。
textbfVidForensics-M1は、検証可能な時間的証拠を利用して、堅牢で一般化可能なAI生成ビデオ検出を実現する。
論文 参考訳（メタデータ） (2026-08-11T17:58:10Z) - Grounding and Explaining Visual Evidence for AI-Generated Image Detection in Human-Centric Scenes [33.05351037039477]
HAVE(Human中心のAI生成ビジュアルエビデンス)は,40K実写と39K実写のAI生成画像からなる多種多様な人間中心のデータセットである。
本稿では,認証予測,視覚的エビデンス,説明生成を共同で行うパーセプション対応ビジュアルエビデンスフレームワークPAVEを提案する。
HAVEおよび外部データセットの実験は、真正性検出、視覚的エビデンスグラウンド、説明品質において、強いパフォーマンスを示す。
論文 参考訳（メタデータ） (2026-08-03T09:49:24Z) - XPlainVerse: A Million-Scale Benchmark for Explainable Deepfake Detection [43.15397857869723]
共同深度検出と人中心的説明のための大規模ベンチマークであるXPlainVerseを紹介した。
XPlainVerseは、100万枚の実画像と操作された画像で構成され、既存の5つのソースからの認証画像と、12個のオフザシェルフ画像編集合成モデルによって生成された偽画像とをペアリングする。
データセットのスケール以外にも、XPlainVerseは2つの補完的な説明スタイルを提供している。
論文 参考訳（メタデータ） (2026-07-03T18:52:42Z) - FraudBench: A Multimodal Benchmark for Detecting AI-Generated Fraudulent Refund Evidence [36.982811727399984]
FraudBenchは、AIが生成した不正な返金証拠を検出するためのマルチモーダルベンチマークである。
実際のユーザレビューのエビデンスから構築され、eコマース、フードデリバリー、旅行サービスのシナリオにまたがる。
我々は、MLLM、AI生成画像検出器、および人間の被験者を、同じ設定で評価する。
論文 参考訳（メタデータ） (2026-05-09T09:11:15Z) - Unveiling Perceptual Artifacts: A Fine-Grained Benchmark for Interpretable AI-Generated Image Detection [95.08316274158165]
X-AIGDは、低レベルの歪み、高レベルの意味論、認知レベルの反事実など、知覚的アーティファクトのピクセルレベルの分類されたアノテーションを提供する。
既存のAIGI検出器は、最も基本的な歪みレベルであっても、知覚的アーティファクトに依存しない。
モデル注意をアーティファクト領域と明確に整合させることは、検出器の解釈可能性と一般化を高めることができる。
論文 参考訳（メタデータ） (2026-01-27T10:09:17Z) - REVEAL: Reasoning-enhanced Forensic Evidence Analysis for Explainable AI-generated Image Detection [30.963994372913092]
我々は、AI生成画像検出のための最初の推論強化マルチモーダルベンチマークである textbfREVEAL-Bench を紹介する。
筆者らのフレームワークは,検出を専門家による新しい強化学習と統合する。
REVEALは検出精度、説明忠実度、堅牢なクロスモデル一般化を著しく向上させる。
論文 参考訳（メタデータ） (2025-11-28T13:11:08Z) - Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。
LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
論文 参考訳（メタデータ） (2025-11-15T02:50:23Z) - Semantic Visual Anomaly Detection and Reasoning in AI-Generated Images [96.43608872116347]
AnomReasonは4倍のtextbfAnomAgentのような構造化アノテーションを備えた大規模ベンチマーク
AnomReasonとAnomAgentは、AI生成画像の意味的妥当性の測定と改善の基盤となっている。
論文 参考訳（メタデータ） (2025-10-11T14:09:24Z) - Seeing Before Reasoning: A Unified Framework for Generalizable and Explainable Fake Image Detection [58.82268659497348]
この失敗の根源は、根本的なミスマッチにある、と私たちは主張する。
本稿では,偽画像検出のための汎用的で説明可能な,会話型アシスタントであるForensic-Chatを提案する。
論文 参考訳（メタデータ） (2025-09-29T20:59:19Z) - Evaluating Evidence Attribution in Generated Fact Checking Explanations [48.776087871960584]
我々は、新しい評価プロトコル、引用マスキングとリカバリを導入する。
我々は,自動アノテータとヒューマンアノテータの両方を用いてプロトコルを実装した。
実験により、最高の性能を持つLSMは、不正確な属性を持つ説明を生成することが明らかとなった。
論文 参考訳（メタデータ） (2024-06-18T14:13:13Z) - Read it Twice: Towards Faithfully Interpretable Fact Verification by
Revisiting Evidence [59.81749318292707]
本稿では,証拠の検索とクレームの検証を行うためにReReadという名前の事実検証モデルを提案する。
提案システムは,異なる設定下での最良のレポートモデルに対して,大幅な改善を実現することができる。
論文 参考訳（メタデータ） (2023-05-02T03:23:14Z)
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。