論文の概要: ForensicZoom: Adaptive Visual Inspection with Multimodal LLMs for Industrial-Grade Face Forgery Detection

• arxiv url: http://arxiv.org/abs/2609.31661v1
• Date: Tue, 15 Sep 2026 07:43:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 14:08:16.584234
• Title: ForensicZoom: Adaptive Visual Inspection with Multimodal LLMs for Industrial-Grade Face Forgery Detection
• Title（参考訳）: ForensicZoom:産業用顔偽造検出のための多モードLCMを用いた適応型視覚検査
• Abstract要約: ForensicZoomは産業レベルの適応型視覚検査のためのMLLMフレームワークである。 大規模産業認証データでは、ForensicZoomは97%以上のTPRを0.1%のFPRで達成している。
• 参考スコア（独自算出の注目度）: 10.941848118266172
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable face forgery detection is critical to the security of online identity verification systems, where missed attacks compromise security and excessive false positives disrupt legitimate users. Specialized forensic detectors achieve strong detection performance but provide limited interpretability, while multimodal large language models (MLLMs) offer strong semantic understanding and interpretable reasoning yet remain substantially weaker for face forgery detection. We argue that a key limitation lies in how visual evidence is acquired: subtle forensic artifacts may be poorly represented at standard resolution, while uniformly processing all cases at higher resolution is computationally inefficient. We therefore introduce ForensicZoom, an industrial-grade MLLM framework for adaptive visual inspection. ForensicZoom first equips a general-purpose MLLM with forensic-aware visual representations and aligns the language model with these features. Its central mechanism, NEED_ZOOM, enables the model to autonomously request magnified views of suspicious regions when the initial evidence is insufficient, turning fixed-pass classification into adaptive multi-round forensic reasoning. The zoom behavior is learned through reward shaping that balances detection accuracy with unnecessary visual inspection, concentrating additional computation on difficult cases. A final attribution optimization stage improves natural-language forensic reports while preserving detection performance. On large-scale industrial identity verification data, ForensicZoom achieves over 97% TPR at 0.1% FPR, substantially outperforming both specialized detectors and existing MLLM-based methods while producing actionable forensic attributions. These results demonstrate that ForensicZoom can provide an effective path toward accurate, interpretable, and scalable MLLM-based face forgery detection.
• Abstract（参考訳）: 信頼性の高い顔偽造検出は、セキュリティを損なう攻撃や過度な偽陽性が正当なユーザーを混乱させるオンラインID認証システムのセキュリティにとって重要である。 特殊な法医学的検知器は、強い検出性能を得るが、限定的な解釈性を提供する一方、マルチモーダルな大規模言語モデル(MLLM)は強力な意味論的理解と解釈可能な推論を提供するが、顔の偽造検出では、かなり弱いままである。 微妙な法医学的アーティファクトは標準解像度では表現できないが、高解像度では全てのケースを一様に処理することは計算的に非効率である。 そこで我々は,適応型視覚検査のための産業用MLLMフレームワークであるForensicZoomを紹介した。 ForensicZoomは、まず、法医学的な視覚表現を備えた汎用MLLMを備え、言語モデルをこれらの特徴と整合させる。 その中心的なメカニズムであるNEED_ZOOMは、初期証拠が不十分な場合に、不審領域の拡大されたビューを自律的に要求することを可能にし、固定パス分類を適応的な多ラウンド法医学的推論に変換する。 ズーム動作は、検出精度と不要な視覚検査のバランスをとる報酬形成を通じて学習され、困難なケースに対するさらなる計算に集中する。 最終帰属最適化段階は、検出性能を保ちながら自然言語の法医学的報告を改善する。 大規模産業認証データでは、ForensicZoomは97%以上のTPRを0.1% FPRで達成し、特殊検出器と既存のMLLMベースの手法の両方を実質的に上回っている。 これらの結果は、ForensicZoomが、正確な、解釈可能な、スケーラブルなMLLMベースの顔偽造検出に有効な経路を提供することを示した。

関連論文リスト

• Agentic Tool-Augmented Reasoning for Explainable Image Forgery Detection [48.60097370787039]
  Agentic Tool-Augmented Reasoning (ATAR)は、画像偽造を自律的に検出、ローカライズ、説明するための22の専門的な法医学ツールを統合するフレームワークである。 ATARは6つのゼロショットIMDLベンチマークで平均画像レベルF1を78.5%達成し、MLLMベースラインを11.8ポイント上回っている。
  論文  参考訳（メタデータ） (2026-09-30T06:05:16Z)
• From Sharp Eyes to Expert Mind: Internalizing Expert Knowledge in MLLMs for Tampered Text Detection [62.709778159272474]
  Expert Knowledge Internalization (EKI)は、法医学の専門知識をMLLM(Multimodal Large Language Models)に伝達する2段階のフレームワークである。 EKIは、既存のエキスパートモデルベースやMLLMベースの手法よりも最先端の性能と強力な一般化を実現している。
  論文  参考訳（メタデータ） (2026-09-28T19:20:22Z)
• ForensicsTok: Forensics-Guided Tokenized Modeling for Image Tampering Localization [31.83661814822312]
  本稿では,自動回帰シーケンス生成タスクとして画像操作のローカライゼーションを再構成するForensicsTokを提案する。 ForensicsTokは空間的に接地されたトークンシーケンスを直接生成し、中間管理なしで正確なマスク予測を可能にする。
  論文  参考訳（メタデータ） (2026-06-23T13:06:18Z)
• Deep Residual Injection for Full-Spectrum Forensic Signal Perception in Multimodal Large Language Models [51.099179436350376]
  マルチモーダルな大言語モデル(MLLM)は、その堅牢な意味理解のために、法医学においてますます採用されている。 本稿では,人工物固有の視覚信号を中間層に残路として注入しながら,初期意味処理を保存するためのDeep Visual Residual MLLM(Deep-VRM)を提案する。 これにより、後続のレイヤは意味論的推論と信号レベルの法医学的手がかりを共同でモデル化することができ、驚くべきことに、モデルが入力に応じて異なるレベルの法医学的信号を適応的に活用することを学ぶ。
  論文  参考訳（メタデータ） (2026-06-14T16:05:45Z)
• ActFER: Agentic Facial Expression Recognition via Active Tool-Augmented Visual Reasoning [55.562958315741646]
  本稿では, アクティブな視覚的エビデンス獲得とマルチモーダル推論を兼ね備えたエージェントフレームワークであるActFERを提案する。 さらに,エージェントFERに適した強化学習アルゴリズムである実用性キャリブレーションGRPOを開発した。
  論文  参考訳（メタデータ） (2026-04-10T05:53:19Z)
• Emergent Morphing Attack Detection in Open Multi-modal Large Language Models [1.9620938589583623]
  顔変形攻撃は生体認証を脅かす。 ほとんどのモルフィング攻撃検知(MAD)システムは、タスク固有の訓練を必要とし、目に見えない攻撃タイプに悪影響を及ぼす。 単一画像MADのためのオープンソースのマルチモーダル大言語モデル(MLLM)の最初の体系的ゼロショット評価について述べる。
  論文  参考訳（メタデータ） (2026-02-17T09:56:33Z)
• 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)
• Exploring Gradient-Guided Masked Language Model to Detect Textual Adversarial Attacks [50.53590930588431]
  敵対的な例は 自然言語処理システムに深刻な脅威をもたらします 近年の研究では、対角的テキストは通常のテキストの多様体から逸脱していることが示唆されているが、マスク付き言語モデルは正規データの多様体を近似することができる。 まず、マスク付き言語モデリング(MLM)の目的のマスクアンマスク操作を活用するMLMD(Masked Language Model-based Detection)を導入する。
  論文  参考訳（メタデータ） (2025-04-08T14:10:57Z)

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。