論文の概要: Team MSU GenText-Forensics Challenge 2026 Technical Report

• arxiv url: http://arxiv.org/abs/2609.38391v1
• Date: Tue, 29 Sep 2026 18:49:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.614374
• Title: Team MSU GenText-Forensics Challenge 2026 Technical Report
• Title（参考訳）: チームMSU GenText-Forensics Challenge 2026テクニカルレポート
• Abstract要約: 文書の偽造は単純なピクセルレベルの操作を超えて進化してきた。 ACM MM 2026 GenText-Forensics Challengeは、多言語テキストイメージが偽造されているかどうかを決定するシステムを必要とする。 本稿では,文書改ざん検出(DTD)と2つのQwen3-VL-32B視覚言語モデルを組み合わせたCoTパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 42.874268801024066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Document text forgery has evolved beyond simple pixel-level manipulation: modern attacks alter not only the appearance of a document but also its meaning, and increasingly target the OCR & LLM pipelines that consume such documents. The ACM MM 2026 GenText-Forensics challenge therefore requires systems that not only decide whether a multilingual text image is forged, but also localize the point of manipulation, identify the attack type, and produce a human-readable forensic report with supporting evidence. We present our solution, a decomposed chain-of-thought (CoT) pipeline that combines a document tampering detector (DTD) with two Qwen3-VL-32B vision-language models, each LoRA-adapted to a distinct sub-task. DTD produces tampering probability maps that are converted into numbered candidate regions; a first model (the Filterer) validates these regions and assigns a preliminary forgery type, while a second model (the Semantic Detective) merges and re-grounds the surviving regions, searches for purely semantic anomalies that are invisible to pixel-level detectors, and writes the final report. Both models are trained by distilling chain-of-thought traces from a privileged Qwen3-VL-235B teacher that has access to ground-truth masks and reports. Our approach secured third place in the ACM MM 2026 GenText-Forensics challenge. We describe the data preparation, test-time augmentation, region rendering, distillation protocol, and training configuration in detail, and report ablations over detector thresholds, prompt designs, and pipeline decompositions.
• Abstract（参考訳）: 現代の攻撃は、文書の外観だけでなく、その意味も変え、そのような文書を消費するOCR & LLMパイプラインをますますターゲットにしている。 したがって、ACM MM 2026 GenText-Forensicsの課題は、多言語テキストイメージが偽造されているかどうかを判断するだけでなく、操作ポイントをローカライズし、攻撃タイプを特定し、証拠を裏付ける人間可読な法医学レポートを作成するシステムを必要とする。 本稿では,文書改ざん検出器(DTD)と2つのQwen3-VL-32B視覚言語モデルを組み合わせた,分解鎖型CoTパイプラインを提案する。 第1のモデル(フィルタ)はこれらの領域を検証し、予備の偽型を割り当て、第2のモデル(セマンティック・ディテクティブ)は生き残った領域をマージして再グラウンドし、ピクセルレベルの検出器には見えない純粋に意味のある異常を検索し、最終レポートを書く。 どちらのモデルも、Qwen3-VL-235Bの特権を持つ教師が、地上のトラスマスクやレポートにアクセス可能な鎖の跡を蒸留することによって訓練されている。 我々のアプローチは、ACM MM 2026 GenText-Forensicsの3位を獲得した。 本稿では, データ作成, テスト時間拡張, 地域レンダリング, 蒸留プロトコル, トレーニング構成について詳述し, 検知しきい値, プロンプト設計, パイプライン分解について報告する。

関連論文リスト

• Evidence-Guided Detection, Localization and Explanation for Text-Centric Image Forensics [5.228601974168999]
  AIGCはテキスト中心の画像操作をますますアクセスしやすくしている。 本稿では,ACM Multimedia 2026におけるGenText-Forensics Challengeの解について述べる。
  論文  参考訳（メタデータ） (2026-09-02T04:37:32Z)
• SEED: Simple ViT and Evolving Harness for Explainable Text Forgery Detection [20.95071534060867]
  ACM MM 2026のGenText-Forensics Challengeでは、検出、ピクセルレベルのローカライゼーション、多言語テキスト中心の画像偽造の自然言語説明の統合といった、構造化された法医学的なレポートが求められている。 3つのコンポーネントを持つモジュールシステムであるSEEDを提案する。 まず、類似性誘導パイプラインは、多様な合成フォージェリーによるトレーニングを増強する。 第二に、DINOv3上にLoRAを適応させて構築された単一のViTは、最小限のトレーニング可能なパラメータでトレーニング済みの事前保存をしながら、検出とピクセルレベルのローカライゼーションを共同で行う。 第三に、進化するハーネスは検出器の予測を受け取り、MLを介して完全な法医学レポートを生成する。
  論文  参考訳（メタデータ） (2026-06-19T06:22:49Z)
• A Structured Benchmark for Text-Guided Anomaly Detection: When Language Stops Conditioning the Decision [8.253092044813593]
  テキストガイド型異常検出(TGAD)は,3つのシナリオにまたがる言語機能の役割を段階的に向上させる構造化ベンチマークである。 提案手法は, 大規模視覚言語, 学習自由識別, 組込み適応識別の1つの代表的なモデルである。
  論文  参考訳（メタデータ） (2026-06-01T09:50:30Z)
• RTD-Guard: A Black-Box Textual Adversarial Detection Framework via Replacement Token Detection [9.898508403320438]
  本稿では,テキストの逆転を検知する新しいブラックボックスフレームワークRTD-Guardを紹介する。 我々の重要な洞察は、敵攻撃における単語置換摂動は、置換トークン検出識別器が識別するために事前訓練されている「置換トークン」によく似ているということである。 プロセス全体では、敵データ、モデルチューニング、内部モデルアクセスは必要とせず、2つのブラックボックスクエリのみを使用する。
  論文  参考訳（メタデータ） (2026-03-13T02:30:56Z)
• Beyond Artificial Misalignment: Detecting and Grounding Semantic-Coordinated Multimodal Manipulations [56.816929931908824]
  マルチモーダルデータにおける意味的協調操作の検出の先駆者となった。 本稿では,RamDG(Retrieval-Augmented Manipulation Detection and Grounding)フレームワークを提案する。 我々のフレームワークは既存の手法よりも優れており、SAMMの精度は最先端の手法に比べて2.06%高い。
  論文  参考訳（メタデータ） (2025-09-16T04:18:48Z)
• DDL: A Large-Scale Datasets for Deepfake Detection and Localization in Diversified Real-World Scenarios [51.916287988122406]
  本稿では,$textbf1.4M+$forgedサンプルを含む大規模ディープフェイク検出およびローカライゼーション(textbfDDL)データセットを提案する。 我々のDDLは、複雑な現実世界の偽造のより困難なベンチマークを提供するだけでなく、次世代のディープフェイク検出、ローカライゼーション、解釈可能性メソッドを構築するための重要なサポートも提供しています。
  論文  参考訳（メタデータ） (2025-06-29T15:29:03Z)
• Forensics-Bench: A Comprehensive Forgery Detection Benchmark Suite for Large Vision Language Models [53.55128042938329]
  Forensics-Benchは、新しい偽検出評価ベンチマークスイートである。 63,292件の厳密にキュレートされたマルチチョイスの視覚的質問からなり、112件の独特な偽造検出をカバーしている。 GPT-4o, Gemini 1.5 Pro, Claude 3.5 Sonnetの22のオープンソースLVLMと3つのプロプライエタリモデルについて徹底的な評価を行った。
  論文  参考訳（メタデータ） (2025-03-19T09:21:44Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)

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。