論文の概要: From Detection to Localization: A Unified Forensics Framework for Fully Synthetic and Tampered Images
- arxiv url: http://arxiv.org/abs/2609.02640v1
- Date: Wed, 02 Sep 2026 14:16:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.408629
- Title: From Detection to Localization: A Unified Forensics Framework for Fully Synthetic and Tampered Images
- Title（参考訳）: 検出からローカライズへ:完全合成・改ざん画像のための統一された法科学フレームワーク
- Abstract要約: この研究は、統合されたマルチクラスフレームワークを導入することで既存の検出器を拡張する(実対完全生成対タンパー)。
画像認証の分類に加えて、このフレームワークにはセグメンテーションブランチが組み込まれ、改ざんされた領域のピクセルレベルのローカライゼーションを可能にする。
提案手法は、最近選択されたベンチマークよりも優れており、分類精度が向上し、ローカライゼーションタスクのIoUスコアが向上した効率的なソリューションを提供する。
- 参考スコア（独自算出の注目度）: 7.9180538960840385
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid advancement of generative models has significantly worsened the problem of manipulated image detection, as these methods are capable of producing highly realistic forgeries, reinforcing the importance of multimedia forensics. Conventional approaches typically frame image manipulation detection as a binary classification task (real vs. generated), which limits the capability to distinguish and localize different forms of manipulation. To address these constraints, this work extends an existing detector by introducing a unified multiclass framework (real vs. fully generated vs. tampered). In addition to classifying image authenticity, the framework incorporates a segmentation branch to enable pixel-level localization of tampered regions. The proposed approach outperforms selected recent benchmarks, offering an efficient solution with improved classification accuracy and higher IoU scores for the localization task. Find the code at https://github.com/anngal01/From-Detection-to-Localization-A-Unified-Forensics-Framework-for-Fully-S ynthetic-and-Tampered-Images.
- Abstract（参考訳）: 生成モデルの急速な進歩は、操作された画像検出の問題を著しく悪化させてきた。
従来のアプローチでは、イメージ操作検出はバイナリ分類タスク(実対生成)としてフレーム化され、異なる形式の操作を識別し、ローカライズする能力を制限する。
これらの制約に対処するため、この研究は、統合されたマルチクラスフレームワークを導入することで、既存の検出器を拡張した(実際の対、完全に生成された対、改ざんされた対、)。
画像認証の分類に加えて、このフレームワークにはセグメンテーションブランチが組み込まれ、改ざんされた領域のピクセルレベルのローカライゼーションを可能にする。
提案手法は、最近選択されたベンチマークよりも優れており、分類精度が向上し、ローカライゼーションタスクのIoUスコアが向上した効率的なソリューションを提供する。
コードはhttps://github.com/anngal01/From-Detection-to-Localization-A-Unified-Forensics-Framework-for-Fully-S ynthetic-and-Tampered-Imagesにある。
関連論文リスト
- FUSED: Forensic-Semantic Mixture-of-Experts for AI Inpainting Detection and Localization [14.056602265859645]
拡散ベースの塗装モデルは、画像の局所的な部分だけを変更する。
多くのAIイメージ検出器は、グローバルアーティファクトに依存し、ローカライズしない。
FUSEDは,AIによるインペイントの同時検出と局所化のための統合フレームワークである。
論文 参考訳（メタデータ） (2026-08-28T13:05:43Z) - Leveraging Hierarchical Image-Text Misalignment for Universal Fake Image Detection [58.927873049646024]
実画像と比較して,偽画像は対応するキャプションと適切に一致しないことを示す。
本稿では,視覚空間における画像テキストの不一致を識別的手がかりとして活用し,簡易かつ効果的なITEMを提案する。
論文 参考訳（メタデータ） (2025-11-01T06:51:14Z) - UniShield: An Adaptive Multi-Agent Framework for Unified Forgery Image Detection and Localization [20.95924601497973]
UniShieldは、さまざまな領域にまたがる画像偽造を検知し、ローカライズできる、新しい統一システムである。
我々はUniShieldが、既存の統一アプローチとドメイン固有検出器の両方を超越して、最先端の結果を達成することを示す。
論文 参考訳（メタデータ） (2025-10-03T16:33:05Z) - Propose and Rectify: A Forensics-Driven MLLM Framework for Image Manipulation Localization [49.71303998618939]
本稿では,意味論的推論と法科学的な分析を橋渡しするPropose-Rectifyフレームワークを提案する。
提案手法は,具体的技術実証により,初期セマンティックな提案が体系的に検証され,拡張されることを保証し,包括的検出精度と局所化精度を実現する。
論文 参考訳（メタデータ） (2025-08-25T12:43:53Z) - Context-Aware Weakly Supervised Image Manipulation Localization with SAM Refinement [52.15627062770557]
悪意のある画像操作は社会的リスクを生じさせ、効果的な画像操作検出方法の重要性を高めている。
画像操作検出の最近のアプローチは、完全に教師されたアプローチによって大きく推進されている。
本稿では,デュアルブランチトランスフォーマー-CNNアーキテクチャに基づく,弱教師付きフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-26T07:35:09Z) - Weakly-supervised deepfake localization in diffusion-generated images [4.548755617115687]
本稿では,Xception ネットワークをバックボーンアーキテクチャとして用いた弱教師付きローカライズ問題を提案する。
本研究では,(局所スコアに基づく)最良動作検出法は,データセットやジェネレータのミスマッチよりも,より緩やかな監視に敏感であることを示す。
論文 参考訳（メタデータ） (2023-11-08T10:27:36Z) - ObjectFormer for Image Manipulation Detection and Localization [118.89882740099137]
画像操作の検出とローカライズを行うObjectFormerを提案する。
画像の高周波特徴を抽出し,マルチモーダルパッチの埋め込みとしてRGB特徴と組み合わせる。
各種データセットについて広範な実験を行い,提案手法の有効性を検証した。
論文 参考訳（メタデータ） (2022-03-28T12:27:34Z) - Region-level Active Learning for Cluttered Scenes [60.93811392293329]
本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。
その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
論文 参考訳（メタデータ） (2021-08-20T14:02:38Z) - Re-rank Coarse Classification with Local Region Enhanced Features for
Fine-Grained Image Recognition [22.83821575990778]
そこで我々は,Top1の精度を向上させるため,TopN分類結果を局所的に拡張した埋め込み機能を用いて再評価した。
より効果的なセマンティクスグローバル機能を学ぶために、我々は、自動構築された階層的カテゴリ構造上のマルチレベル損失をデザインする。
本手法は,cub-200-2011,stanford cars,fgvc aircraftの3つのベンチマークで最新性能を実現する。
論文 参考訳（メタデータ） (2021-02-19T11:30:25Z) - Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。
境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。
実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
論文 参考訳（メタデータ） (2021-02-16T17:58:57Z)
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。