論文の概要: Zero-Shot Color Image Manipulation Localization via Noise Residual Artifact Pattern Analysis

• arxiv url: http://arxiv.org/abs/2608.20558v1
• Date: Thu, 20 Aug 2026 20:37:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.229866
• Title: Zero-Shot Color Image Manipulation Localization via Noise Residual Artifact Pattern Analysis
• Title（参考訳）: ノイズ残像パターン解析によるゼロショットカラー画像操作位置推定
• Authors: Edgar Gonzalez-Fernandez,
• Abstract要約: 本研究は、ゼロショットでトレーニング不要なブラインド画像操作ローカライゼーションパイプラインを提案する。 単一の被疑者の画像のノイズ残差から直接参照アーティファクトパターンを推定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Digital cameras embed device-specific artifacts into every acquired image through demosaicing, in-camera post-processing, and lossy compression. These traces constitute a forensic signal that can be exploited to assess image authenticity. Existing passive methods rely predominantly on the green channel of the Bayer residual, discarding the correlated information available in the remaining color channels and typically requiring training data or device enrollment. This work proposes a zero-shot, training-free blind image manipulation localization pipeline that estimates a reference artifact pattern directly from the noise residual of a single suspect image, without assuming a fixed filter configuration, color layout, or block period. The pipeline incorporates a principled denoiser selection criterion based on the acquired-to-interpolated noise variance ratio, a block-level correlation analysis against the estimated reference pattern, and a two-component Gaussian Mixture Model scoring stage that produces a pixel-level tampering probability map. An ablation study evaluates the impact of denoiser choice and block size on localization accuracy, and comparisons against state-of-the-art passive methods demonstrate the competitiveness of the proposed zero-shot approach.
• Abstract（参考訳）: デジタルカメラは、デバイス固有のアーティファクトを、デモ、カメラ内ポストプロセッシング、損失のある圧縮を通じて、取得したすべてのイメージに埋め込む。 これらの痕跡は、画像の信頼性を評価するために利用される法医学的な信号を構成する。 既存の受動的手法はバイエル残差のグリーンチャネルに大きく依存しており、残りのカラーチャネルで利用可能な関連情報を破棄し、通常、トレーニングデータやデバイスへの登録を必要とする。 本研究は,特定のフィルタ構成,色配置,ブロック周期を仮定することなく,単一の疑似画像のノイズ残差から直接参照アーティファクトパターンを推定するゼロショット自由ブラインド画像操作ローカライゼーションパイプラインを提案する。 パイプラインは、取得した補間ノイズ分散比、推定基準パターンに対するブロックレベルの相関解析、および画素レベルのタンパリング確率マップを生成する2成分ガウス混合モデルスコアリングステージに基づいて、原理化されたデノイザ選択基準を組み込む。 Ablation study is a impact of denoiser choice and block size on localization accuracy and comparisons to state-of-the-the-art passive method showed the competitiveness of the proposed zero-shot approach。

関連論文リスト

• Divide and Conquer: Heterogeneous Noise Integration for Diffusion-based Adversarial Purification [75.09791002021947]
  既存の浄化法は,前向き拡散過程を通じて一定のノイズを発生させ,その後に逆の処理を行い,クリーンな例を回復させることによって,対向的摂動を妨害することを目的としている。 この方法は、前処理の均一な操作が、対向的摂動と闘いながら通常のピクセルを損なうため、根本的な欠陥がある。 ニューラルネットワークの解釈可能性に基づく異種浄化戦略を提案する。 本手法は,被写体モデルが注目する特定の画素に対して高強度雑音を決定的に印加する一方,残りの画素は低強度雑音のみを被写体とする。
  論文  参考訳（メタデータ） (2025-03-03T11:00:25Z)
• The Crystal Ball Hypothesis in diffusion models: Anticipating object positions from initial noise [92.53724347718173]
  拡散モデルはテキスト・画像生成タスクにおいて顕著な成功を収めた。 我々は、初期ノイズ画像内の特定の領域をトリガーパッチと呼び、結果として発生する画像のオブジェクト生成に重要な役割を果たす。
  論文  参考訳（メタデータ） (2024-06-04T05:06:00Z)
• ASCNet: Asymmetric Sampling Correction Network for Infrared Image Destriping [25.816984064145906]
  非対称サンプリング補正ネットワーク(ASCNet)と呼ばれる新しい赤外画像デストリップ手法を提案する。 我々のASCNetは、Residual Haar Discrete Wavelet Transform (RHDWT), Pixel Shuffle (PS), Column Non-uniformity Correction Module (CNCM)の3つのコア要素で構成されています。
  論文  参考訳（メタデータ） (2024-01-28T06:23:55Z)
• RANRAC: Robust Neural Scene Representations via Random Ray Consensus [12.161889666145127]
  RANRAC(RANdom RAy Consensus)は、一貫性のないデータの影響を排除するための効率的な手法である。 我々はRANSACパラダイムのファジィ適応を定式化し、大規模モデルへの適用を可能にした。 その結果, 新規な視点合成のための最先端のロバストな手法と比較して, 顕著な改善が見られた。
  論文  参考訳（メタデータ） (2023-12-15T13:33:09Z)
• Anomaly Detection with Conditioned Denoising Diffusion Models [32.37548329437798]
  対象画像に条件付けされた画像再構成のための新しいデノナイズプロセスであるDAD(Denoising Diffusion Anomaly Detection)を導入する。 我々の異常検出フレームワークは条件付け機構を用いており、ターゲット画像が入力画像として設定され、復調過程を導出する。 DDADは、それぞれ(99.8%)および(98.9%)画像レベルのAUROCの最先端結果を達成する。
  論文  参考訳（メタデータ） (2023-05-25T11:54:58Z)
• Poisson2Sparse: Self-Supervised Poisson Denoising From a Single Image [34.27748767631027]
  本稿では,単一画像の自己教師型学習手法を提案する。 繰り返しニューラルネットワークを用いた画像復調のための従来の反復最適化アルゴリズムを近似する。 提案手法はPSNRとSSIMの両面で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-06-04T00:08:58Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• Salt and pepper noise removal method based on stationary Framelet transform with non-convex sparsity regularization [1.101002667958165]
  ソルトとペッパーのノイズ除去は画像処理における逆問題であり,高品質な画像情報の復元を目指している。 伝統的な塩と唐辛子調味法には2つの制限がある。
  論文  参考訳（メタデータ） (2021-10-18T09:07:31Z)

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。