論文の概要: IVT-Guard: All-in-One Reasoning Model for AI-Generated Content Detection

• arxiv url: http://arxiv.org/abs/2609.33585v1
• Date: Sun, 27 Sep 2026 14:00:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 15:29:28.22127
• Title: IVT-Guard: All-in-One Reasoning Model for AI-Generated Content Detection
• Title（参考訳）: IVT-Guard:AI生成コンテンツ検出のためのオールインワン推論モデル
• Abstract要約: 本稿では,画像,ビデオ,テキストモダリティ間でAIGC検出を統一かつ解釈可能なフレームワークであるIVT-Guardを提案する。 IVT-Guardは、ドメイン内、ドメイン外、データセット間における最先端検出性能を達成する。
• 参考スコア（独自算出の注目度）: 68.61333779483097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid proliferation of highly realistic AI-Generated Content (AIGC) necessitates robust and interpretable detection mechanisms. However, existing detectors are predominantly confined to single modalities and provide binary outputs without reasoning. While Multimodal Large Language Models (MLLMs) present a promising solution, their development is constrained by the scarcity of multimodal reasoning data and the reasoning-detection optimization dilemma, where explicit reasoning supervision can compromise detection accuracy. To this end, we introduce IVT-Set, a comprehensive dataset comprising over 152K diverse image, video, and text samples equipped with multi-granularity Chain-of-Thought (CoT) reasoning trajectories. Based on it, we propose IVT-Guard, a pioneering framework for unified and interpretable AIGC detection across image, video, and text modalities. Furthermore, to overcome the aforementioned optimization dilemma, we design a novel three-stage training paradigm: Artifact-Aware Pre-training, Artifact-to-Evidence Supervised Fine-Tuning via artifact-aware injection, and Evidence-Verdict Consistency Group Relative Policy Optimization. Extensive experiments demonstrate that IVT-Guard achieves state-of-the-art detection performance across in-domain, out-of-domain, and cross-dataset settings while delivering faithful reasoning. Code and data will be released.
• Abstract（参考訳）: 高度に現実的なAI生成コンテンツ(AIGC)の急速な普及は、堅牢で解釈可能な検出メカニズムを必要とする。 しかし、既存の検出器は、主に単一のモードに制限され、推論なしでバイナリ出力を提供する。 MLLM(Multimodal Large Language Models)は有望な解決策を提供するが、その開発は多モーダル推論データの不足と、明示的な推論監督が検出精度を損なうような推論-検出最適化ジレンマによって制約される。 この目的のために,多粒性Chain-of-Thought(CoT)推論トラジェクトリを備えた152K以上の多様な画像,ビデオ,テキストサンプルからなる包括的データセットであるIVT-Setを紹介した。 そこで本研究では,画像,ビデオ,テキストモダリティ間でのAIGC検出の統一化と解釈のための先駆的フレームワークであるIVT-Guardを提案する。 さらに,前述した最適化ジレンマを克服するため,アーティファクト・アウェア・プレトレーニング,アーティファクト・アウェア・インジェクションによるアーティファクト・トゥ・エビデンス・スーパービジョン・ファインタニング,エビデンス・コンシスタンス・グループ・相対的ポリシー最適化という,新たな3段階のトレーニングパラダイムを設計した。 大規模な実験により、IVT-Guardは、忠実な推論を提供しながら、ドメイン内、ドメイン外、およびデータセット間をまたいだ最先端の検知性能を実現する。 コードとデータはリリースされます。

関連論文リスト

• Reasoning-Aware AIGC Detection via Alignment and Reinforcement [55.09684020007737]
  REVEALは、分類の前に解釈可能な推論チェーンを生成するフレームワークである。 複数のベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-04-21T07:29:55Z)
• Insight-V++: Towards Advanced Long-Chain Visual Reasoning with Multimodal Large Language Models [65.4947731385794]
  基礎画像中心モデルであるInsight-Vから進化した統合多エージェント視覚推論フレームワークを提案する。 空間的時間的推論を強化し、評価ロバスト性を向上させる2つの新しいアルゴリズムST-GRPOとJ-GRPOを導入する。 LLaVA-NeXTやQwen2.5-VLといったベースモデルの実験は、挑戦的な画像とビデオの推論ベンチマーク間で大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2026-03-18T15:28:07Z)
• EvoGuard: An Extensible Agentic RL-based Framework for Practical and Evolving AI-Generated Image Detection [19.507664662884086]
  EvoGuardはAIGI検出のための新しいエージェントフレームワークである。 様々な最先端(SOTA)のMLLMと非MLLM検出器を呼び出し可能なツールとしてカプセル化している。 正と負のサンプル間のバイアスを緩和しながらSOTA精度を達成する。
  論文  参考訳（メタデータ） (2026-03-18T04:14:40Z)
• Perception-Aware Multimodal Spatial Reasoning from Monocular Images [57.42071289037214]
  単眼画像からの空間的推論は 自律運転には不可欠です 現在のヴィジュアルランゲージモデル(VLM)は、微粒な幾何学的知覚に苦慮している。 本稿では,VLMを明示的な対象中心の接地能力を持つ知覚認識型マルチモーダル推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-07T02:05:12Z)
• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T09:41:36Z)
• VTONGuard: Automatic Detection and Authentication of AI-Generated Virtual Try-On Content [18.869017622630647]
  775,000以上の実画像と合成画像を含むベンチマークデータセットであるVTONGuardを提案する。 データセットは、ポーズ、背景、服装スタイルのバリエーションを含む、さまざまな現実世界の状況をカバーする。 本結果は,各手法の強みと弱みを明らかにし,パラダイム間一般化の持続的課題を強調した。
  論文  参考訳（メタデータ） (2026-01-20T13:26:06Z)
• INSIGHT: An Interpretable Neural Vision-Language Framework for Reasoning of Generative Artifacts [0.0]
  現在の法医学システムは、現実世界の条件下で急速に低下している。 ほとんどの検出器は不透明物として機能し、なぜ画像が合成物としてフラグ付けされるのかについての知見はほとんど得られない。 本稿では,AI生成画像のロバスト検出と透過的説明のための統合フレームワークであるINSIGHTを紹介する。
  論文  参考訳（メタデータ） (2025-11-27T11:43:50Z)

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。