論文の概要: IMFD: End-to-end Multi-Face Forgery Detection through Instruction-based Large Vision-Language Models

• arxiv url: http://arxiv.org/abs/2609.19693v1
• Date: Thu, 17 Sep 2026 04:40:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.101915
• Title: IMFD: End-to-end Multi-Face Forgery Detection through Instruction-based Large Vision-Language Models
• Title（参考訳）: IMFD:インストラクションベース大規模ビジョンランゲージモデルによるエンドツーエンド多面偽造検出
• Abstract要約: 従来の多面フォージェリー検出器は、背景コンテキストや顔間の関係を無視して、それぞれの顔を独立して収集し、検証する。 本稿では,顔を共同でローカライズし,顔ごとのフォージェリーラベルを予測するために,エンドツーエンドで訓練されたIMFD(Instruction-based Multi-face Forgery Detector)を提案する。 IMFDは、予測された顔境界ボックスを、命令の接地と偽検出を強化する視覚的手がかりとして命令に統合する。
• 参考スコア（独自算出の注目度）: 61.08868087064252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid increase of deepfakes has raised significant concerns due to their spread on social media. Traditional multi-face forgery detectors crop and verify each face independently, ignoring background context and inter-face relationships, which often yields suboptimal performance. To overcome these limitations, we leverage instruction-based Large Vision-Language Models (LVLMs), which can interpret entire images and follow complex textual instructions. We propose a simple yet effective single-stage multi-face forgery detector, called IMFD (Instruction-based Multi-face Forgery Detector), which is trained end-to-end to jointly localize faces and predict per-face forgery labels. Rather than treating face box prediction only as a joint objective, IMFD explicitly integrates predicted face bounding boxes into the instruction as visual cues that enhance instruction grounding and forgery detection. To support the training and evaluation of IMFD, we convert existing multi-face forgery datasets into an instruction-based format. Experimental results and analyses show that IMFD improves multi-face forgery detection by integrating face bounding boxes into the instruction, and consistently outperforms various state-of-the-art methods.
• Abstract（参考訳）: ディープフェイク(ディープフェイク)の急速な増加は、ソーシャルメディアへの拡散により、大きな懸念を引き起こしている。 従来の多面フォージェリー検出器は、背景コンテキストや顔間の関係を無視して、それぞれの顔を独立して収穫し、検証する。 これらの制限を克服するために、命令ベースのLVLM(Large Vision-Language Models)を活用し、画像全体を解釈し、複雑なテキスト命令に従う。 本稿では, 顔の局所化と顔ごとの偽ラベルの予測を両端から端まで行うIMFD(Instruction-based Multi-face Forgery Detector)を提案する。 IMFDは、フェースボックス予測を共同目的としてのみ扱うのではなく、予測されたフェースバウンディングボックスを、命令の接地と偽検出を強化する視覚的手がかりとしてインストラクションに明示的に統合する。 IMFDのトレーニングと評価を支援するため,既存の多面フォージェリーデータセットを命令ベースフォーマットに変換する。 実験結果と分析結果から,IMFDは顔境界ボックスを命令に組み込むことで多面偽造検出を改良し,様々な最先端手法を一貫して上回ることを示した。

関連論文リスト

• HAMLET-FFD: Hierarchical Adaptive Multi-modal Learning Embeddings Transformation for Face Forgery Detection [6.060036926093259]
  HAMLET-FFDは顔偽造検出のためのクロスドメイン一般化フレームワークである。 視覚的証拠と概念的手がかりを統合し、専門家の法医学的分析をエミュレートする。 HAMLET-FFDは設計上、外部プラグインとして機能する全ての事前訓練されたパラメータを凍結する。
  論文  参考訳（メタデータ） (2025-07-28T15:09:52Z)
• Multimodal Prompt Alignment for Facial Expression Recognition [24.470095812039286]
  MPA-FERは、引き起こされた視覚的特徴の学習プロセスに対して、きめ細かいセマンティックガイダンスを提供する。 我々のフレームワークは、FERベンチマークの3つのベンチマークデータセット上で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2025-06-26T05:28:57Z)
• ForgeryGPT: Multimodal Large Language Model For Explainable Image Forgery Detection and Localization [49.12958154544838]
  ForgeryGPTはImage Forgery DetectionとLocalizationタスクを進化させる新しいフレームワークである。 多様な言語的特徴空間からの偽画像の高次相関をキャプチャする。 新たにカスタマイズされたLarge Language Model (LLM)アーキテクチャを通じて、説明可能な生成と対話を可能にする。
  論文  参考訳（メタデータ） (2024-10-14T07:56:51Z)
• MFCLIP: Multi-modal Fine-grained CLIP for Generalizable Diffusion Face Forgery Detection [64.29452783056253]
  フォトリアリスティック・フェイスジェネレーション手法の急速な発展は、社会やアカデミックにおいて大きな関心を集めている。 既存のアプローチは主に画像モダリティを用いて顔の偽造パターンをキャプチャするが、きめ細かいノイズやテキストのような他のモダリティは完全には探索されていない。 そこで本研究では,画像ノイズの多点にわたる包括的かつきめ細かなフォージェリートレースをマイニングする,MFCLIP(MF-modal Fine-fine-fine-fine-fine-fine CLIP)モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-15T13:08:59Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)
• Self-supervised Contrastive Learning of Multi-view Facial Expressions [9.949781365631557]
  顔表情認識(FER)は,人間とコンピュータのインタラクションシステムにおいて重要な構成要素である。 本稿では,多視点表情のコントラスト学習(CL-MEx)を提案する。
  論文  参考訳（メタデータ） (2021-08-15T11:23:34Z)

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。