論文の概要: FACT: A Forensic Agent with Compiled Tool-Use Trajectories for AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2609.05876v1
• Date: Sat, 05 Sep 2026 04:39:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.152447
• Title: FACT: A Forensic Agent with Compiled Tool-Use Trajectories for AI-Generated Image Detection
• Title（参考訳）: FACT:AI生成画像検出のためのツール利用軌跡をコンパイルした法医学エージェント
• Abstract要約: FACTは、法医学的分析のための画像条件付きツール利用ポリシーを学習する。 どの法医学ツールを呼び出すかを決定し、返却された証拠を解釈し、十分な証拠が収集されたときに停止する。
• 参考スコア（独自算出の注目度）: 29.12198821643909
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-generated image detection is increasingly open-world: new image generators produce highly realistic images that make visual artifacts harder to identify. Existing detectors usually rely on a fixed set of forensic cues, so a detector that works well for one generator family may fail on another. We introduce FACT (Forensic Agent with Compiled Tool-use Trajectories), which learns an image-conditioned tool-use policy for forensic analysis. Instead of applying a fixed detector, FACT decides which forensic tools to call, interprets the returned evidence, and stops when sufficient evidence has been collected. FACT follows an Evolve--Distill--Refine pipeline: it evolves an execution-verified forensic skill, compiles the skill into action--observation tool-use trajectories, distills them into a compact agent, and refines the policy with cost-aware GRPO. Across two internal and four public benchmarks, FACT achieves the best performance among all compared methods, including on recent unseen generators, deepfakes, and manipulated images.
• Abstract（参考訳）: 新しい画像生成装置は、視覚的なアーティファクトを識別しにくくする、非常にリアルなイメージを生成する。 既存の検出器は通常、固定された法医学的な手がかりに頼っているため、ある発電機のファミリーでうまく機能する検出器は別の発電機で故障する可能性がある。 FACT(Forensic Agent with Compiled Tool-use Trajectories)を導入し,画像条件のツール利用ポリシーを学習して,法医学的分析を行う。 固定検出器を適用する代わりに、FACTはどの法医学ツールを呼び出すかを決定し、返却された証拠を解釈し、十分な証拠が収集されたときに停止する。 FACTは、Evolve--Distill--Refineパイプラインに従い、実行検証された法医学的スキルを進化させ、そのスキルをアクション・オブザーブレーション・ツール・トラジェクトリにコンパイルし、それらをコンパクトなエージェントに蒸留し、コストを意識したGRPOでポリシーを洗練する。 2つの内部ベンチマークと4つの公開ベンチマークで、FACTは、最近の見えないジェネレータ、ディープフェイク、操作済みイメージなど、比較対象のすべてのメソッドの中で最高のパフォーマンスを実現している。

関連論文リスト

• GenShield: Unified Detection and Artifact Correction for AI-Generated Images [65.11434977803509]
  GenShieldは、診断から修復までのクローズドループでAIGI検出とアーティファクト修正を実行するフレームワークである。 大規模なアーティファクト-restored'ペアを備えた高品質データセットは、統一された評価パイプラインと共に構築される。
  論文  参考訳（メタデータ） (2026-05-15T16:06:20Z)
• FRAME: Forensic Routing and Adaptive Multi-path Evidence Fusion for Image Manipulation Detection [3.9783598254756023]
  textbfForensic textbfRouting と textbfAdaptive textbfMulti-path textbfEvidence fusion の手法である textbfFRAME を提案する。 FRAMEは多様な法医学的アルゴリズムを多経路解析空間に整理し、各入力画像に対する情報的法医学的パスを適応的に選択し、補完的な証拠を融合して検出とローカライゼーション性能を向上させる。
  論文  参考訳（メタデータ） (2026-05-12T23:48:26Z)
• Attribution-Guided Multimodal Deepfake Detection via Cross-Modal Forensic Fingerprints [4.598350938853635]
  ビデオの偽造方法を特定することができない検出器は、間違ったシグナルを学習している可能性が高い、と私たちは主張する。 二分検出とは異なり、帰属誘導学習は共有埋め込み空間に強い幾何学的制約を課す。 本稿では,属性検出と属性抽出を共同で学習する属性誘導型マルチモーダルディープフェイク検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-29T09:11:13Z)
• Code-in-the-Loop Forensics: Agentic Tool Use for Image Forgery Detection [59.04089915447622]
  ForenAgentはインタラクティブなIFDフレームワークで、MLLMが検出対象に関するPythonベースの低レベルツールを自律的に生成、実行、洗練することができる。 人間の推論にインスパイアされた我々は、グローバルな認識、局所的な焦点、反復的探索、そして全体論的偏見を含む動的推論ループを設計する。 実験の結果,ForenAgent は IFD 課題に対する創発的なツール利用能力と反射的推論を示すことがわかった。
  論文  参考訳（メタデータ） (2025-12-18T08:38:44Z)
• ForensicsSAM: Toward Robust and Unified Image Forgery Detection and Localization Resisting to Adversarial Attack [56.0056378072843]
  高い転送性を持つ逆画像は上流モデルでのみ作成可能であることを示す。 本稿では,IFDLフレームワークを組み込んだForensicsSAMを提案する。
  論文  参考訳（メタデータ） (2025-08-10T16:03:44Z)
• RAID: A Dataset for Testing the Adversarial Robustness of AI-Generated Image Detectors [57.81012948133832]
  本稿では,72kの多種多様かつ高い変換可能な対向例からなるRAID(Robust Evaluation of AI- generated Image Detectors)を提案する。 提案手法は,未知の検出器に高い成功率で転送する逆画像を生成する。 以上の結果から,現在最先端のAI生成画像検出器は,敵の例によって容易に認識できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-04T14:16:00Z)
• Is JPEG AI going to change image forensics? [50.92778618091496]
  ニューラル画像圧縮に基づく新しいJPEGAI標準の反法医学的効果について検討する。 その結果,JPEG AIで処理したコンテンツの解析において,先行する法医学的検知器の性能が低下していることが示唆された。
  論文  参考訳（メタデータ） (2024-12-04T12:07:20Z)
• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• FakeInversion: Learning to Detect Images from Unseen Text-to-Image Models by Inverting Stable Diffusion [18.829659846356765]
  本稿では,オープンソース事前学習型安定拡散モデルを用いて得られた特徴を用いた新しい合成画像検出器を提案する。 これらの逆転により、検出器は高視力の未確認発電機によく一般化できることが示される。 本稿では, 逆画像探索を用いて, 検出器評価におけるスタイリスティックおよびテーマバイアスを緩和する, 新たな挑戦的評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2024-06-12T19:14:58Z)
• GenImage: A Million-Scale Benchmark for Detecting AI-Generated Image [28.38575401686718]
  我々は、100万組のAI生成フェイクイメージと実際の画像の収集を含むGenImageデータセットを紹介した。 この利点は、GenImageで訓練された検出器が徹底的な評価を行い、多様な画像に適用可能であることを示すことである。 本研究では,本データセットの包括的解析を行い,実世界のシナリオに類似した検出手法を評価するための2つの課題を提案する。
  論文  参考訳（メタデータ） (2023-06-14T15:21:09Z)
• Adversarial Attack on Deep Learning-Based Splice Localization [14.669890331986794]
  画像の操作を隠蔽する3つの非エンドツーエンドのディープラーニングベースのスプライスローカライズツールを,新たなアルゴリズムを用いて実証する。 生成した対向的摂動は, 局部化性能の劣化に関して, それら間で伝達可能であることが判明した。
  論文  参考訳（メタデータ） (2020-04-17T20:31:38Z)

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。