論文の概要: Less Supervision, Better Generalization: Weakly Supervised Fake Region Localization in Diffusion-Edited Images

• arxiv url: http://arxiv.org/abs/2609.36882v2
• Date: Thu, 01 Oct 2026 09:34:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.522312
• Title: Less Supervision, Better Generalization: Weakly Supervised Fake Region Localization in Diffusion-Edited Images
• Title（参考訳）: より少ないスーパービジョンとより良い一般化:拡散編集画像における弱い監督されたフェイク領域のローカライゼーション
• Abstract要約: ReGFLoWは拡散編集された偽領域ローカライゼーションのための弱い教師付きフレームワークである。 アーティファクト中心の複数インスタンス学習により、ReGFLoWは、セマンティックアフィニティや境界ベースの擬似マスク前処理に頼ることなく、局所的な拡散証拠を利用する。
• 参考スコア（独自算出の注目度）: 12.570617651672528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Localizing AI-edited regions is essential for interpretable forensic analysis, but remains challenging due to subtle and spatially distributed artifacts that are misaligned with semantic or object boundaries. Existing approaches rely on pixel-level supervision from controlled editing pipelines, which is difficult to scale and can introduce misleading signals: artifacts frequently extend beyond annotated regions, while out-of-mask pixels are treated as authentic. This limits models' ability to capture transferable evidence and generalize across generators and datasets. To address these issues, we propose ReGFLoW, a Reconstruction-Guided Fake Localization framework under Weak supervision, which is the first weakly supervised approach for diffusion-edited fake region localization. ReGFLoW requires only real/fake labels at the image level and uses diffusion reconstruction errors as dense spatial guidance to inject them into both feature and score spaces. Furthermore, by artifact-centric multiple instance learning, ReGFLoW utilizes localized diffusion evidence without relying on semantic-affinity or boundary-based pseudo-mask priors. Extensive experiments show competitive cross-generator localization, while ReGFLoW outperforms all evaluated fully supervised baselines when evaluation includes both partially edited and fully synthetic images and in cross-dataset tests, without target-domain adaptation.
• Abstract（参考訳）: AIによって編集された領域をローカライズすることは、法医学的分析の解釈に不可欠であるが、意味やオブジェクトの境界と不一致した微妙で空間的に分散したアーティファクトのため、依然として困難である。 既存のアプローチでは、コントロールされた編集パイプラインからのピクセルレベルの監視に依存しており、スケールが難しく、誤解を招くシグナルを発生させる可能性がある。 これにより、転送可能なエビデンスをキャプチャし、ジェネレータやデータセットをまたいで一般化するモデルの能力が制限される。 これらの課題に対処するため,Weak 監督下でのリコンストラクション誘導型フェイクローカライゼーションフレームワーク ReGFLoW を提案する。 ReGFLoWは画像レベルでは実・偽ラベルのみを必要とし、拡散再構成誤差を高密度な空間ガイダンスとして使用して特徴空間とスコア空間の両方に注入する。 さらに、アーティファクト中心の多重インスタンス学習により、ReGFLoWはセマンティックアフィニティや境界ベースの擬似マスクの事前に依存することなく、局所的な拡散証拠を利用する。 大規模な実験では、競合するクロスジェネレータのローカライゼーションが示され、ReGFLoWは、部分的に編集された画像と完全に合成された画像と、ターゲットドメイン適応を伴わないクロスデータセットテストの両方を含む評価において、完全に教師付きベースラインを全て上回っている。

関連論文リスト

• FUSED: Forensic-Semantic Mixture-of-Experts for AI Inpainting Detection and Localization [14.056602265859645]
  拡散ベースの塗装モデルは、画像の局所的な部分だけを変更する。 多くのAIイメージ検出器は、グローバルアーティファクトに依存し、ローカライズしない。 FUSEDは,AIによるインペイントの同時検出と局所化のための統合フレームワークである。
  論文  参考訳（メタデータ） (2026-08-28T13:05:43Z)
• SARD: Segmentation-Aware Anomaly Synthesis via Region-Constrained Diffusion with Discriminative Mask Guidance [4.65786322515141]
  SARD (Segmentation-Aware anomaly synthesis via Region-constrained Diffusion with discriminative mask Guidance) は, 異常生成に特化して設計された新しい拡散型フレームワークである。 SARDは、セグメンテーションの精度と視覚的品質において既存の手法を超越し、ピクセルレベルの異常合成のための新しい最先端技術を確立している。
  論文  参考訳（メタデータ） (2025-08-05T06:43:01Z)
• Zooming In on Fakes: A Novel Dataset for Localized AI-Generated Image Detection with Forgery Amplification Approach [69.01456182499486]
  textbfBR-Genは、さまざまなシーン認識アノテーションを備えた15万のローカル鍛造イメージの大規模なデータセットである。 textbfNFA-ViTはノイズ誘導フォージェリ増幅ビジョン変換器で、ローカライズされたフォージェリの検出を強化する。
  論文  参考訳（メタデータ） (2025-04-16T09:57:23Z)
• Unsupervised Region-Based Image Editing of Denoising Diffusion Models [50.005612464340246]
  本研究では,事前学習した拡散モデルの潜在空間における意味的属性を,それ以上の訓練を伴わずに同定する手法を提案する。 提案手法により,局所的なマスキング領域の正確な意味発見と制御が容易になり,アノテーションの必要がなくなる。
  論文  参考訳（メタデータ） (2024-12-17T13:46:12Z)
• Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
  我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。 この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
  論文  参考訳（メタデータ） (2023-12-16T14:27:06Z)
• 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)
• Towards Generalizable Deepfake Detection by Primary Region Regularization [52.41801719896089]
  本稿では,新しい正規化の観点から一般化能力を高める。 本手法は, 一次領域マップの静的な位置決めと, 一次領域マスクの動的利用の2段階からなる。 5つのバックボーンを持つDFDC,DF-1.0,Celeb-DFの3種類のディープフェイクデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-07-24T05:43:34Z)
• Cross-Domain Local Characteristic Enhanced Deepfake Video Detection [18.430287055542315]
  ディープフェイク検出はセキュリティ上の懸念から注目を集めている。 多くの検出器は、目に見えない操作を検出する際に正確な結果を得ることができない。 そこで我々は,より一般的なディープフェイクビデオ検出のための新しいパイプラインであるクロスドメインローカルフォレスティクスを提案する。
  論文  参考訳（メタデータ） (2022-11-07T07:44:09Z)

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。