論文の概要: Forensic-Aware Continual Adaptation for Image Forgery Localization
- arxiv url: http://arxiv.org/abs/2609.38251v1
- Date: Tue, 29 Sep 2026 07:47:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:26.416974
- Title: Forensic-Aware Continual Adaptation for Image Forgery Localization
- Title（参考訳）: 画像フォージェリーの局所化に対する法医学的適応
- Abstract要約: IFLのための最初の連続学習フレームワークを紹介する。
画素レベルのフォージェリローカライゼーションと画像レベルのフォージェリ検出の両方において,最先端の性能を示す。
- 参考スコア（独自算出の注目度）: 75.61019986009747
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid evolution of image manipulation techniques has raised growing public security concerns. Existing Image Forgery Localization (IFL) methods can accurately localize manipulated regions but are often unable to adapt to newly emerging forgeries. In real-world forensic scenarios, data typically arrive sequentially, yet continual model adaptation remains largely unexplored in IFL. To bridge this gap, we introduce the first continual learning framework for IFL and establish a comprehensive benchmark under two realistic data-evolution protocols: cross-dataset and cross-content continual learning. Evaluations of representative state-of-the-art IFL and continual learning methods reveal substantial performance degradation, highlighting two key challenges: (1) adaptively capturing intrinsic forensic traces from incoming data across unseen domains, and (2) preserving previously acquired forensic knowledge during sequential adaptation. To address these challenges, we propose a forensic-aware continual adaptation framework. First, a forensic trace mining module employs Spatial Mixture-of-Forensic-Experts (SMoFE) to dynamically route complementary forensic cues across spatial locations, together with Forensic Evidence-Guided Dense Prompting (FEGDP) to transform low-level forensic traces into structured localization evidence for SAM. Second, Fisher-weighted LoRA Gradient (FLAG) surgery identifies old-task-sensitive adaptation directions and suppresses conflicting updates, mitigating catastrophic forgetting while preserving plasticity for emerging forgery domains. Extensive experiments demonstrate state-of-the-art performance in both pixel-level forgery localization and image-level forgery detection across diverse continual learning scenarios.
- Abstract（参考訳）: 画像操作技術の急速な進化は、公共のセキュリティ上の懸念を高めている。
既存のイメージフォージェリーローカライゼーション(IFL)手法は、操作された領域を正確にローカライズできるが、新しく登場したフォージェリーに適応できないことが多い。
現実世界の法医学的シナリオでは、典型的にはデータが順次到着するが、連続的なモデル適応はIFLでは明らかにされていない。
このギャップを埋めるために、IFLの最初の連続学習フレームワークを導入し、クロスデータセットとクロスコンテンツ連続学習という2つの現実的なデータ進化プロトコルの下で包括的なベンチマークを確立する。
代表的なIFLと連続学習手法の評価は,(1)未確認領域にまたがる入力データから本質的な法医学的痕跡を適応的に捕捉し,(2)逐次適応中に獲得した法医学的知識を保存すること,という2つの重要な課題を浮き彫りにした。
これらの課題に対処するため,法医学的な継続的適応フレームワークを提案する。
第一に、法医学的トレースマイニングモジュールは、空間的混合法(SmoFE)を用いて、空間的位置を横断する補足法学的な手がかりを動的にルートし、かつ、法医学的エビデンス・ガイドド・デンス・プロンプティング(FEGDP)とともに、低レベルの法医学的トレースをSAMの構造化された局所化証拠に変換する。
第二に、Ferher-weighted LoRA Gradient (FLAG) 手術は、古いタスクに敏感な適応方向を特定し、矛盾する更新を抑える。
大規模な実験では、さまざまな連続学習シナリオにわたる画素レベルのフォージェリローカライゼーションと画像レベルのフォージェリ検出の両方において、最先端のパフォーマンスが実証されている。
関連論文リスト
- Progressive Decision-Making for Localizing Open-Ended AI-Generated Image Forgeries [6.17384818802982]
我々はEvidence-Guided Mambaを導入し、不確実性とバウンダリを意識した状態更新を行う。
従来の操作データのみをトレーニングしても、この手法は目に見えないAI生成の偽造により大きな利益をもたらす。
論文 参考訳（メタデータ） (2026-07-31T08:37:04Z) - Venus-DeFakerOne: Unified Fake Image Detection & Localization [0.0]
InternVL2とSAM2を統合したデータ中心の統合FIDL基盤モデルであるDeFakerOneを提案する。
DeFakerOneは、さまざまなシナリオにわたって、画像レベルの同時検出とピクセルレベルのフォージェリローカライゼーションを可能にする。
データスケーリング法則、ドメイン間アーティファクトの転送・干渉パターン、きめ細かい監督の必要性、および元の解決アーティファクトの保存に関する体系的な分析を提供する。
論文 参考訳（メタデータ） (2026-05-13T20:20:33Z) - RCDN: Real-Centered Detection Network for Robust Face Forgery Identification [7.41356813669013]
既存の検出方法は、同一領域内でトレーニングやテストを行う場合、ほぼ完璧な性能を達成する。
新しい偽造技術が継続的に出現し、検出器は目に見えない操作に対して信頼性を保たなければならない。
本稿では,周波数空間畳み込みニューラルネットワーク(CNN)フレームワークであるReal-Centered Detection Network (RCDN)を提案する。
論文 参考訳（メタデータ） (2026-01-17T17:09:15Z) - 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) - Learning from Heterogeneous Structural MRI via Collaborative Domain Adaptation for Late-Life Depression Assessment [24.340328016766183]
T1強調MRIを用いたLDD検出のための協調的ドメイン適応フレームワークを提案する。
このフレームワークは、ラベル付きソースデータに対する教師付きトレーニング、自己教師付きターゲット特徴適応、ラベルなしターゲットデータに対する協調トレーニングの3段階で構成されている。
マルチサイトT1強調MRIデータを用いて行った実験により、このフレームワークは最先端の非教師なし領域適応法より一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-07-30T01:38:32Z) - Context-aware TFL: A Universal Context-aware Contrastive Learning Framework for Temporal Forgery Localization [60.73623588349311]
本研究では,時間的フォージェリーローカライゼーションのための共通文脈対応コントラスト学習フレームワーク (UniCaCLF) を提案する。
提案手法は教師付きコントラスト学習を利用して,異常検出による偽造瞬間の検出と同定を行う。
実物と偽物との間における特徴の識別可能性の限界をさらに押し上げるために、効率的な文脈対応コントラスト符号化を導入する。
論文 参考訳（メタデータ） (2025-06-10T06:40:43Z) - Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
異常検出は、医学診断や工業的欠陥検出などの分野において重要である。
CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。
クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
論文 参考訳（メタデータ） (2025-04-15T10:42:25Z) - UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。
我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
論文 参考訳（メタデータ） (2024-07-26T20:51:54Z) - Anticipating the Unseen Discrepancy for Vision and Language Navigation [63.399180481818405]
視覚言語ナビゲーションでは、エージェントは特定のターゲットに到達するために自然言語命令に従う必要がある。
目に見える環境と目に見えない環境の間に大きな違いがあるため、エージェントがうまく一般化することは困難である。
本研究では,テストタイムの視覚的整合性を促進することによって,未知の環境への一般化を学習する,未知の離散性予測ビジョンと言語ナビゲーション(DAVIS)を提案する。
論文 参考訳（メタデータ） (2022-09-10T19:04:40Z)
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。