論文の概要: Frozen DINO Localizes Image Edits Without a Localizer

• arxiv url: http://arxiv.org/abs/2608.18968v1
• Date: Wed, 19 Aug 2026 14:35:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.42778
• Title: Frozen DINO Localizes Image Edits Without a Localizer
• Title（参考訳）: DINO、ローカライザなしで画像編集をローカライズ
• Abstract要約: ローカライズされた画像編集は、写真の意味を変えながら、そのほとんどを本物に残すことができる。 凍結したDINOエンコーダからのパッチレベルの摂動応答は、それ自体がローカライゼーションマップであることを示す。
• 参考スコア（独自算出の注目度）: 8.424402967076134
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Localized image edits can change a photograph's meaning while leaving most of it authentic, so forensic analysis must identify where an edit occurred. We show that patch-level perturbation responses from frozen DINO encoders are themselves localization maps. Training-free Localization of AI-image Edits from patch-token Drift (TRAIL) applies one global Haar perturbation and maps cosine drift between corresponding patch tokens. On 80 source-disjoint CocoGlide test images, TRAIL reaches .903 patch AUROC versus .912 for the mask-supervised Detective SAM; fixed-threshold Dice is .619 versus .709, while an oracle threshold raises TRAIL to .790. Transferred unchanged to Poisson image interpolation, TRAIL reaches .855 AUROC versus .864, showing that the cue persists without a generator. Across sixteen DINO encoders, the best block lies at normalized depth .80-.94. Global context matters: AUROC falls from .903 globally to .857 for local-in-canvas perturbations and .735 for independently encoded crops. Frozen DINO patch tokens therefore contain a strong late-layer localization signal whose visibility depends on the perturbation and preserved context. Code: https://github.com/VishalJ99/trail-image-edit-localization.
• Abstract（参考訳）: ローカライズされた画像編集は、そのほとんどが本物のままの写真の意味を変える可能性があるため、法医学的な分析は編集の場所を特定する必要がある。 凍結したDINOエンコーダからのパッチレベルの摂動応答は、それ自体がローカライゼーションマップであることを示す。 パッチトーケンドリフト(TRAIL)からのAIイメージ編集のトレーニング不要なローカライゼーションは、グローバルなHaar摂動を適用し、対応するパッチトークン間でコサインドリフトをマップする。 80個のソースを分離したCocoGlideテスト画像では、TRAILはAUROCと.912のパッチに到達し、固定閾値Diceは.619対.709、オラクル閾値はTRAILを.790に上昇させる。 ポアソンの画像補間に変化せず、TRAIL は .855 AUROC と .864 に到達し、キューは発電機なしで持続することを示した。 16個のDINOエンコーダにまたがって、最も優れたブロックは正規化深度.80-.94にある。 グローバルな文脈では、AUROCは全世界で.903から.857に、ローカル・イン・キャンバスの摂動は.735に、独立にコード化された作物は.735に該当する。 従って、凍結したDINOパッチトークンは、摂動と保存されたコンテキストに依存した強力な後期層局在信号を含む。 コード:https://github.com/VishalJ99/trail-image-edit-localization

関連論文リスト

• NullEdit: Stealthy Image Protection via VLM Condition Redirection [7.002777588351422]
  現代の画像エディタは、視覚言語モデルと拡散トランスフォーマーのバックボーンを組み合わせて、微調整なしで指示に従って単一の参照イメージを変更する。 本稿では,参照画像から生成したVLM表現を目標としたNullEditを提案する。 NullEdit は EditReward IF スコアを SOTA ベースラインに対して平均 0.813 削減する。
  論文  参考訳（メタデータ） (2026-08-11T12:46:09Z)
• IRIS: Visual-Semantic Binding for Forgery-Resistant Watermarking of Diffusion Images [5.8272908076992715]
  ほとんどの次世代拡散透かしは、それらを運ぶ画像とは独立してパターンを埋め込んでおり、攻撃者は生成元が生成しなかった画像にマークを移植する。 Intrinsic Ring Identifier from Semantics を組み込んだトレーニングフリーな透かし方式 IRIS を提案する。
  論文  参考訳（メタデータ） (2026-08-04T12:16:06Z)
• Explaining AI-Image Detection: What the Heatmap Actually Shows [65.01025489527173]
  私たちは検出器を構築し、その証拠として属性マップを添付します。 私たちは、そのペアがコントロール下の186,527のイメージにもたらすものを測定します。 属性ランキングが存在するかどうかは、検出器が画像に反応するかどうかに依存する。
  論文  参考訳（メタデータ） (2026-07-31T16:07:05Z)
• EDGER: EDge-Guided with HEatmap Refinement for Generalizable Image Forgery Localization [8.588817718552418]
  本稿では、任意の解像度画像中の操作領域をローカライズするパッチベースのデュアルブランチフレームワークであるEDGERを提案する。 我々は,周波数に基づくエッジキューとパッチレベルの合成先行の相補的役割を,高精度で解像度に依存しないローカライゼーションの駆動において強調する。 提案手法はマルチメガピクセル画像にスケールし,強力なクロスドメイン一般化を示す。
  論文  参考訳（メタデータ） (2026-05-12T11:50:41Z)
• Masked Generative Transformer Is What You Need for Image Editing [91.7627902312967]
  拡散モデルは、編集された領域を周囲のコンテキストと絡み合わせることで、変更が持続するべき領域に伝播する。 本稿では,局所化トークン予測パラダイムが意図した領域の変更を自然に限定するMasked Generative Transformers (MGTs)を活用することによって,根本的に異なるアプローチを提案する。 本稿では,MGTベースの編集フレームワークであるEditMGTについて紹介する。
  論文  参考訳（メタデータ） (2026-05-11T17:05:52Z)
• DragOSM: Extract Building Roofs and Footprints from Aerial Images by Aligning Historical Labels [48.74862499599635]
  Drag OpenStreetMap Labels (DragOSM) を提案する。 DragOSMはラベルアライメントを対話的な復調プロセスとして定式化し、位置差をガウス分布としてモデル化する。 我々は,OpenStreetMapを併用した179,265の建物と,41都市5,473枚のアノテーションを手作業で修正した,OSM (ReBO) の修復建物に関する新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2025-09-22T16:10:13Z)
• ZONE: Zero-Shot Instruction-Guided Local Editing [56.56213730578504]
  ゼロショットインストラクションを用いた局所画像編集手法ZONEを提案する。 InstructPix2Pixを通してユーザが提供する命令から特定の画像編集領域に変換する。 次に,オフザシェルフセグメントモデルから正確な画像層抽出を行う領域IoU方式を提案する。
  論文  参考訳（メタデータ） (2023-12-28T02:54:34Z)
• iEdit: Localised Text-guided Image Editing with Weak Supervision [53.082196061014734]
  テキスト誘導画像編集のための新しい学習法を提案する。 ソースイメージに条件付けされた画像とテキスト編集プロンプトを生成する。 画像の忠実度、CLIPアライメントスコア、および生成された画像と実際の画像の両方を定性的に編集する点において、画像に対して好ましい結果を示す。
  論文  参考訳（メタデータ） (2023-05-10T07:39:14Z)
• Global and Local Alignment Networks for Unpaired Image-to-Image Translation [170.08142745705575]
  未ペア画像から画像への変換の目的は、対象領域のスタイルを反映した出力画像を作成することである。 既存の手法では内容変化に注意が払われていないため、ソース画像からの意味情報は翻訳中の劣化に悩まされる。 我々はGLA-Net(Global and Local Alignment Networks)という新しいアプローチを導入する。 本手法は既存の手法よりもシャープでリアルな画像を効果的に生成する。
  論文  参考訳（メタデータ） (2021-11-19T18:01:54Z)

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。