論文の概要: Look Before You Judge: Training-Free Region Mining for Grounded and Explainable Deepfake Detection

• arxiv url: http://arxiv.org/abs/2609.35536v1
• Date: Mon, 28 Sep 2026 16:19:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 21:02:38.167718
• Title: Look Before You Judge: Training-Free Region Mining for Grounded and Explainable Deepfake Detection
• Title（参考訳）: グラウンドドと説明可能なディープフェイク検出のためのトレーニング不要領域マイニング
• Abstract要約: MLLM(Multimodal large language model)は、自然言語の深い検証を説明できるが、これらの説明は必ずしも予測の根底にある視覚的証拠に基礎を置いているとは限らない。 本研究では,シーケンシャルエビデンス獲得プロセスとして説明可能なディープフェイク検出を定式化する,トレーニング不要のフレームワークであるLook Before You Judgeを提案する。
• 参考スコア（独自算出の注目度）: 28.64422271552274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal large language models (MLLMs) can explain deepfake verdicts in natural language, but such explanations are not necessarily visually grounded in the visual evidence underlying the prediction. A model may describe plausible artifacts inferred from language priors rather than from image evidence. Existing grounding methods improve visual reliance through decoding or attention interventions, but they generally strengthen grounding over the entire image, making them ill-suited for forensic artifacts that are subtle, spatially localized, and image-dependent. We propose Look Before You Judge, a training-free framework that formulates explainable deepfake detection as a sequential evidence acquisition process. Instead of directly predicting image authenticity from holistic visual reasoning, our framework first identifies image-specific candidate evidence regions by contrasting the MLLM's decoder-to-visual attention between an original image and its Gaussian-blurred counterpart. The identified regions are then inspected individually, and the resulting local evidence is integrated with the global image context before reaching a final verdict. The framework operates without manipulation masks, external forensic models, or parameter updates, making it directly applicable to off-the-shelf MLLMs. Across five open-source MLLMs on TriDF and MMTD-Set, our framework improves detection accuracy by up to 12.8%, reduces CHAIR by up to 33.4% and hallucination rate by up to 21.3%, and outperforms representative training-free decoding and attention methods.
• Abstract（参考訳）: MLLM(Multimodal large language model)は、自然言語の深い検証を説明できるが、これらの説明は必ずしも予測の根底にある視覚的証拠に基礎を置いているとは限らない。 モデルは、画像証拠からではなく、言語先行から推測される可塑性アーティファクトを記述することができる。 既存の接地法は、復号化や注意介入によって視覚的依存を改善するが、一般的に画像全体の接地を強化するため、微妙で空間的局所的で画像に依存した法医学的アーティファクトには不適である。 本研究では,シーケンシャルエビデンス獲得プロセスとして説明可能なディープフェイク検出を定式化する,トレーニング不要のフレームワークであるLook Before You Judgeを提案する。 本フレームワークは,画像の正当性を全体的視覚的推論から直接予測する代わりに,まず,MLLMの原画像とガウス色とを対比することにより,画像固有の候補エビデンス領域を識別する。 特定された領域は個別に検査され、最終的な判定に達する前に、結果のローカルエビデンスとグローバルイメージコンテキストが統合される。 このフレームワークは、マスクや外部の法医学モデル、パラメータ更新を使わずに動作し、既製のMLLMに直接適用することができる。 TriDFおよびMTD-Set上の5つのオープンソースMLLMにおいて、検出精度を最大12.8%向上し、CHAIRを最大33.4%削減し、幻覚率を最大21.3%向上させ、代表的なトレーニングフリーデコーディングおよびアテンション手法より優れている。

関連論文リスト

• Defake-o3: From Speculative Rationales to Verifiable Evidence for Explainable AIGI Detection [8.599317072232198]
  本稿では,AIGI検出器であるDedeake-o3について述べる。 インタラクティブなビジュアル検索と検証対象の証拠のアライメントを組み合わせる。 Defake-o3は検出精度と説明品質の両方を改善する。
  論文  参考訳（メタデータ） (2026-08-17T08:30:32Z)
• 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)
• ExposeAnyone: Personalized Audio-to-Expression Diffusion Models Are Robust Zero-Shot Face Forgery Detectors [58.45131932883374]
  ビデオ中のディープフェイクを検出するための完全自己教師型アプローチを提案する。 本モデルでは,拡散再構成誤差を用いて,疑わしい映像とパーソナライズされた被写体との同一性距離を算出する。 本手法は, ボケや圧縮などの汚損に対して極めて堅牢であり, 現実の顔偽造検出への適用性を強調している。
  論文  参考訳（メタデータ） (2026-01-05T18:59:54Z)
• Seeing Before Reasoning: A Unified Framework for Generalizable and Explainable Fake Image Detection [58.82268659497348]
  この失敗の根源は、根本的なミスマッチにある、と私たちは主張する。 本稿では,偽画像検出のための汎用的で説明可能な,会話型アシスタントであるForensic-Chatを提案する。
  論文  参考訳（メタデータ） (2025-09-29T20:59:19Z)
• DF-LLaVA: Unlocking MLLM's potential for Synthetic Image Detection via Prompt-Guided Knowledge Injection [29.2145692950572]
  我々は,MLLMの本質的な識別可能性を解き放つ,シンプルで効果的なフレームワークであるDF-LLaVAを提案する。 提案手法はまずMLLMから潜伏知識を抽出し,プロンプトによるトレーニングに注入する。 総合実験によりDF-LLaVAの優位性が確認され, 合成画像検出の精度と説明性の両方が得られた。
  論文  参考訳（メタデータ） (2025-09-18T13:43:42Z)
• VLForgery Face Triad: Detection, Localization and Attribution via Multimodal Large Language Models [14.053424085561296]
  高品質で制御可能な属性を持つ顔モデルは、ディープフェイク検出に重大な課題をもたらす。 本研究では,Multimodal Large Language Models (MLLM) をDMベースの顔鑑定システムに統合する。 VLForgery と呼ばれる細粒度解析フレームワークを提案する。このフレームワークは,1) ファルシファイド顔画像の予測,2) 部分合成対象のファルシファイド顔領域の特定,3) 特定のジェネレータによる合成の属性付けを行う。
  論文  参考訳（メタデータ） (2025-03-08T09:55:19Z)
• FakeBench: Probing Explainable Fake Image Detection via Large Multimodal Models [62.66610648697744]
  我々は人間の知覚に関する生成的視覚的偽造の分類を導入し、人間の自然言語における偽造記述を収集する。 FakeBenchは、検出、推論、解釈、きめ細かい偽造分析の4つの評価基準でLMMを調べている。 本研究は,偽画像検出領域における透明性へのパラダイムシフトを示す。
  論文  参考訳（メタデータ） (2024-04-20T07:28:55Z)
• 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)
• Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
  近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。 我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
  論文  参考訳（メタデータ） (2023-04-02T10:25:09Z)

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。