論文の概要: VizAnchor: Decoding Manipulation Intent from Tampering Visualizations via Dual-Anchor Reasoning
- arxiv url: http://arxiv.org/abs/2608.24535v1
- Date: Tue, 25 Aug 2026 13:20:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.001165
- Title: VizAnchor: Decoding Manipulation Intent from Tampering Visualizations via Dual-Anchor Reasoning
- Title（参考訳）: VizAnchor:Dual-Anchor Reasoningによるタンパリング可視化からのデコード操作インテント
- Abstract要約: VizAnchorは可視化操作理解のためのフレームワークである。
正確なチャート情報を復元し、改ざんされた地域をローカライズする。
彼らの操作、ミスリーダー、誤解を招く意図を忠実に説明します。
- 参考スコア（独自算出の注目度）: 29.562339801344375
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Data visualizations are widely used for communicating information, but they are also vulnerable to intentional manipulations that induce misleading interpretations. Existing methods focus on locating tampered regions or recovering hidden information, without explaining how the visualization has been manipulated or why the resulting changes may mislead viewers. We propose \textbf{VizAnchor}, a framework for visualization manipulation understanding through dual-anchor evidence construction and VLM-based reasoning. In the first stage, VizAnchor constructs a semantic anchor to recover authentic chart information and a spatial anchor to localize tampered regions. In the second stage, three specialized agents decode the manipulation. The misleader grounding agent analyzes a four-panel visual prompt to predict the misleader information. The chart narrative reconstruction agent takes the original and tampered charts as inputs and reconstructs their respective visual narratives. Finally, the intent inferring agent integrates the visual evidence and misleader information to infer the misleading intent. We further construct a dataset for tampering localization and a dataset for misleading intent inferring. Evaluation shows that VizAnchor accurately localizes manipulations and produces faithful explanations of their manipulation, misleaders, and misleading intents.
- Abstract（参考訳）: データビジュアライゼーションは情報伝達に広く利用されているが、誤解を招く解釈を引き起こす意図的な操作にも脆弱である。
既存の手法では、可視化がどのように操作されたのか、なぜ変更が視聴者を誤解させる可能性があるのかを説明することなく、改ざんされた領域の配置や隠れた情報の復元に重点を置いている。
本稿では,デュアルアンカーエビデンス構築とVLMに基づく推論による理解を可視化するフレームワークである「textbf{VizAnchor}」を提案する。
第1段階では、VizAnchorは意味的なアンカーを構築して、認証されたチャート情報を復元し、空間的なアンカーを使用して、改ざんされた領域をローカライズする。
第2段階では、3人の特殊エージェントが操作を解読した。
ミスリーダー接地エージェントは、4パネルの視覚的プロンプトを分析し、ミスリーダー情報を予測する。
表物語再構築エージェントは、原文及び改ざんされた図を入力として、それぞれの視覚的物語を再構成する。
最後に、インテント推論エージェントは、視覚的証拠とミスリーダー情報を統合して、誤解を招くインテントを推測する。
さらに、ローカライゼーションを改ざんするためのデータセットと、インテント推論を誤解させるデータセットを構築した。
評価は、VizAnchorが操作を正確にローカライズし、操作、ミスリーダー、誤解を招く意図の忠実な説明を生成することを示している。
関連論文リスト
- Leveraging Text-to-Image Diffusion Models for Unsupervised Visual Object Tracking [53.08526613328243]
教師なしの視覚的オブジェクト追跡は、地味なアノテーションをトレーニングすることなく、任意のターゲットをビデオで追従する必要がある難しいタスクである。
我々はテキストから画像への拡散モデルを構築し、事前訓練されたモデルに符号化されたリッチな意味知識を活用する。
我々の方法Diff-Trackingは、初期プロンプト学習者とオンラインプロンプト更新者という2つの主要コンポーネントから構成されている。
論文 参考訳（メタデータ） (2026-05-26T12:26:56Z) - What's Left Unsaid? Detecting and Correcting Misleading Omissions in Multimodal News Previews [31.373823254968315]
事実が正しいとしても、ソーシャルメディアのニュースプレビューは解釈のドリフトを引き起こす。
この秘密の害は明示的な誤報よりも検出が難しいが、未発見のままである。
我々は、プレビューベースとコンテキストベースの理解を分離し、シミュレートするマルチステージパイプラインを開発した。
論文 参考訳（メタデータ） (2026-01-09T06:29:19Z) - VizDefender: Unmasking Visualization Tampering through Proactive Localization and Intent Inference [53.31458914370742]
VizDefenderは、検出と分析を改ざんするためのフレームワークである。
1)画像に位置マップを埋め込むことで視覚化を保護する半フレジブルな透かしモジュールと,2)マルチモーダル大言語モデル(MLLM)を利用して操作を解釈するインテント分析モジュールである。
論文 参考訳（メタデータ） (2025-12-21T18:44:03Z) - Beyond Artificial Misalignment: Detecting and Grounding Semantic-Coordinated Multimodal Manipulations [56.816929931908824]
マルチモーダルデータにおける意味的協調操作の検出の先駆者となった。
本稿では,RamDG(Retrieval-Augmented Manipulation Detection and Grounding)フレームワークを提案する。
我々のフレームワークは既存の手法よりも優れており、SAMMの精度は最先端の手法に比べて2.06%高い。
論文 参考訳（メタデータ） (2025-09-16T04:18:48Z) - The Perils of Chart Deception: How Misleading Visualizations Affect Vision-Language Models [11.500090488046899]
VLM(Vision-Language Models)は、特に専門家でないユーザによって可視化の解釈に使用されるようになっている。
本研究では,8種類のミスリードチャートを対象とする10種類のモデルから16,000以上の応答を解析した。
本研究は,視覚的誤報に対するVLMの堅牢な保護の必要性を浮き彫りにした。
論文 参考訳（メタデータ） (2025-08-13T11:11:18Z) - Seeing Through Deception: Uncovering Misleading Creator Intent in Multimodal News with Vision-Language Models [65.23999399834638]
DeceptionDecodedは,信頼に値する参照記事に基づく12,000のイメージキャプチャペアのベンチマークである。
データセットは、誤解を招くケースと、誤解を招くケースの両方をキャプチャし、視覚的およびテキスト的モダリティにわたって操作する。
インテント中心の3つのタスク – 意図の検出を誤解させる、ソースの属性を誤解させる、創造的欲求推論 – をサポートしている。
論文 参考訳（メタデータ） (2025-05-21T13:14:32Z) - Progressive Semantic-Guided Vision Transformer for Zero-Shot Learning [56.65891462413187]
ゼロショット学習のためのプログレッシブセマンティック誘導型視覚変換器(ZSLViT)を提案する。
ZSLViTは、まずセマンティック・エンベッドド・トークン・ラーニングを導入し、セマンティック・エンハンスメントを通じて視覚・セマンティック対応を改善する。
そして,視覚的強調のために,意味的無関係な視覚情報を捨てるために,低意味的・視覚的対応型視覚トークンを融合する。
論文 参考訳（メタデータ） (2024-04-11T12:59:38Z) - Exploring Saliency Bias in Manipulation Detection [2.156234249946792]
ソーシャルメディアによる偽ニュースの爆発と改ざん画像による誤報は、画像検出のためのモデルとデータセットの開発に発展をもたらした。
既存の検出手法は、特定の操作が視聴者の知覚に与える影響を考慮せずに、主にメディアオブジェクトを分離して扱う。
本稿では,一般的な画像操作データセットにおける視覚的・意味的サリエンシの傾向とその検出への影響を解析する枠組みを提案する。
論文 参考訳（メタデータ） (2024-02-12T00:08:51Z) - Spatio-Temporal Graph for Video Captioning with Knowledge Distillation [50.034189314258356]
空間と時間におけるオブジェクトの相互作用を利用したビデオキャプションのためのグラフモデルを提案する。
我々のモデルは解釈可能なリンクを構築し、明示的な視覚的グラウンドを提供することができる。
オブジェクト数の変動による相関を回避するため,オブジェクト認識型知識蒸留機構を提案する。
論文 参考訳（メタデータ） (2020-03-31T03:58:11Z)
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。