論文の概要: Revisiting Cross-Reconstruction for Generalizable Deepfake Detection

• arxiv url: http://arxiv.org/abs/2610.01544v1
• Date: Thu, 01 Oct 2026 12:12:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.106903
• Title: Revisiting Cross-Reconstruction for Generalizable Deepfake Detection
• Title（参考訳）: 一般化可能なディープフェイク検出のためのクロスコンストラクションの再検討
• Abstract要約: 偽造検知器は 転送可能な 法医学的手がかりを 捕獲する能力に制限があるため 最近のクロスコンストラクションに基づく手法は、意味的アーティファクトの絡み合いによる一般化を改善しようとする。 画像の堅牢な偽造検出のためのアーティファクト指向のゆがみフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.155434709268519
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing image forgery detectors often suffer from generalization to unseen manipulation methods due to the limited ability to capture transferable forensic cues. Recent cross-reconstruction based methods attempt to improve generalization through semantic-artifact disentanglement, but typically align heterogeneous artifacts across generators and exclude artifact representations during reconstruction, which may overlook the inherent diversity and visual cues of manipulation artifacts. In this work, we revisit cross-reconstruction and introduce an artifact-oriented disentanglement framework for robust image forgery detection. We argue that \textbf{artifact diversity}, i.e., the intrinsic variations of manipulation artifacts introduced by different generation processes, contains complementary forensic cues rather than undesirable domain variations. Instead of enforcing explicit artifact alignment, our framework preserves diverse artifact characteristics through semantically aligned cross-generator reconstruction. Furthermore, we incorporate artifact representations into the reconstruction process and introduce a masked frequency-aware reconstruction strategy to emphasize manipulation-related residuals while reducing semantic interference. This design enables the model to learn transferable forensic representations from diverse artifacts. Extensive experiments on multiple benchmark datasets demonstrate improvements under both cross-dataset and cross-generator evaluation settings. Further analysis and ablation studies validate the effectiveness of artifact diversity preservation and artifact-aware cross-reconstruction.
• Abstract（参考訳）: 既存の画像偽造検知器は、転送可能な法医学的手がかりを捕獲する能力に制限があるため、一般化から目に見えない操作方法に苦しむことが多い。 最近のクロスコンストラクションベースの手法は、意味的アーティファクトの歪曲を通じて一般化を改善するが、通常、ジェネレータ間で異質なアーティファクトを整列させ、再構成中にアーティファクト表現を除外する。 本研究では,クロスコンストラクションを再考し,ロバストな画像偽造検出のためのアーティファクト指向のゆがみフレームワークを提案する。 我々は,「textbf{artifact diversity}」,すなわち,異なる生成プロセスによって導入された操作アーティファクトの本質的な変動は,望ましくない領域の変動よりも補足的な法学的な手がかりを含んでいると主張する。 我々のフレームワークは、明示的なアーティファクトアライメントを強制するのではなく、意味的に整合したクロスジェネレータ再構築を通じて、多様なアーティファクト特性を保存します。 さらに, 人工物表現を再構成プロセスに組み込んで, 意味的干渉を低減しつつ, 操作関連残留を強調するマスク付き周波数認識再構築戦略を導入する。 この設計により、モデルはさまざまなアーティファクトから転送可能な法医学的表現を学習することができる。 複数のベンチマークデータセットに対する大規模な実験では、クロスデータセットとクロスジェネレータ評価設定の両方で改善が示されている。 さらに分析およびアブレーション研究は, 人工物の多様性保存と人工物のクロスコンストラクションの有効性を検証した。

関連論文リスト

• Reconstruction-Shift Discrimination via Mask-Guided Latent Diffusion for Medical Anomaly Detection [58.92871907037662]
  教師なしの医学的異常検出は、正常な訓練画像から正常な解剖パターンを学習し、テスト時の偏差を識別する。 再構成に基づく拡散に基づく手法は、通常、入力画像とその再構成の違いを異常な証拠として利用する。 本研究は,残差に基づく局所化と再構成-シフト判別を補完する医用異常検出フレームワークであるDMDを提案する。
  論文  参考訳（メタデータ） (2026-08-01T04:56:39Z)
• Dual-Domain Self-Supervised Artifact Removal Framework for Photoacoustic Computed Tomography [16.25096094638305]
  光音響CT (PACT) は, スパース検出条件により, 復元工芸品の深刻な問題に直面していることが多い。 本稿では,軽量なシームズニューラルネットワークとクロスドメイン忠実度と不確実性重み付き整合性を組み合わせた複合損失関数を用いた自己教師型人工物除去フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-14T07:33:47Z)
• Reduce the Artifacts Bias for More Generalizable AI-Generated Image Detection [34.37666528689241]
  一般的な戦略は、拡散法において顕著な結果を示す、VAEやDDIMといった再構成技術を採用することである。 コンテンツ,サイズ,フォーマットアライメントを保存しながら,GAN生成した偽パターンを模倣するGANに基づくアップサンプリング手法を提案する。 まず、凍結した基礎モデル上でLoRA適応を用いてドメイン固有の専門家を訓練し、その後、専門家の特徴を適応的に組み合わせるために、ゲーティングネットワークと疎結合の融合を行う。
  論文  参考訳（メタデータ） (2026-05-14T07:26:36Z)
• Deepfake Detection with Multi-Artifact Subspace Fine-Tuning and Selective Layer Masking [11.158258169109907]
  ディープフェイク検出は、クロスデータセットと現実世界の複雑なシナリオにおいて依然として重大な課題に直面している。 本稿では,多要素部分空間と選択層マスク(MASM)に基づくディープフェイク検出手法を提案する。 MASMは、アーティファクト表現から意味表現を明示的に分離し、アーティファクト部分空間の適合強度を制限する。
  論文  参考訳（メタデータ） (2026-01-03T02:33:18Z)
• Revisiting Reconstruction-based AI-generated Image Detection: A Geometric Perspective [50.83711509908479]
  幾何学的観点からの再構成誤差に対するヤコビアンスペクトル下界の導入について述べる。 再構成多様体上の実画像は非自明な誤差下界を示し、多様体上の生成された画像はゼロに近い誤差を持つことを示す。 本稿では,構造化編集操作を活用することで動的再構成誤差を計算できるReGapを提案する。
  論文  参考訳（メタデータ） (2025-10-29T03:45:03Z)
• 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)
• Generalized Deepfakes Detection with Reconstructed-Blended Images and Multi-scale Feature Reconstruction Network [14.749857283918157]
  未確認データセットに対する堅牢な適用性を有するブレンドベース検出手法を提案する。 実験により、この手法により、未知のデータ上でのクロスマニピュレーション検出とクロスデータセット検出の両方のパフォーマンスが向上することが示された。
  論文  参考訳（メタデータ） (2023-12-13T09:49:15Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)

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。