論文の概要: GIFTBench: Diagnosing Generalization in Image Forgery Localization and Informing Model Design
- arxiv url: http://arxiv.org/abs/2610.01778v1
- Date: Thu, 01 Oct 2026 14:31:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.192228
- Title: GIFTBench: Diagnosing Generalization in Image Forgery Localization and Informing Model Design
- Title（参考訳）: GIFTBench:画像のフォージェリローカライゼーションとインフォームドモデル設計における一般化の診断
- Abstract要約: GIFTBenchは、操作ソース、セマンティックターゲット、編集操作、合成複雑さにまたがるピクセルレベルのアノテーションを備えた、115,013個の操作済み画像のマルチ軸ベンチマークである。
GIFTBenchは、12の外部データセット上で軸特異的な転送解析と評価をサポートする。
ForenScopeは、分類適応表現と多次元空間的特徴を組み合わせた検出および局所化フレームワークである。
- 参考スコア（独自算出の注目度）: 23.66093469681229
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable evaluation of image forgery localization (IFL) requires assessing models under diverse distribution changes, yet existing benchmarks often cover limited manipulation conditions or entangle multiple factors in cross-dataset evaluation. Consequently, aggregate performance provides an incomplete view of localization generalization. We introduce GIFTBench, a multi-axis benchmark of 115,013 manipulated images with pixel-level annotations spanning manipulation source, semantic target, editing operation, and composition complexity. GIFTBench supports axis-specific transfer analysis and evaluation on twelve external datasets. Its diagnostic studies reveal asymmetric cross-source transfer, recall-dominated failures, and heterogeneous degradation across semantic, operational, and compositional changes. Beyond diagnosis, the scale and diversity of GIFTBench provide a substantially broader training distribution than conventional IFL datasets. Training representative localizers on GIFTBench consistently improves their aggregate transfer to external datasets, showing that the benchmark serves not only as an evaluation tool but also as an effective training resource for cross-domain localization. Guided by the diagnostic findings, we further develop ForenScope, a detection and localization framework combining classification-adapted representations with multi-depth, multi-scale spatial features, learned layer fusion, and selective coarse-scale conditioning. Experiments show improved cross-dataset localization while retaining image-level detection capability. The GIFTBench dataset showcase page is available at https://giftbench-preview.doudoudouya337.chatgpt.site.
- Abstract（参考訳）: 画像フォージェリーローカライゼーション(IFL)の信頼性評価には,多様な分布変化の下でのモデル評価が必要であるが,既存のベンチマークでは操作条件が限られている場合や,データセット間の評価において複数の要因が絡み合っている場合が多い。
その結果、アグリゲーションパフォーマンスは、ローカライゼーションの一般化の不完全ビューを提供する。
GIFTBenchは115,013個の編集された画像の多軸ベンチマークであり、編集元、セマンティックターゲット、編集操作、合成複雑性にまたがる画素レベルのアノテーションを備える。
GIFTBenchは、12の外部データセット上で軸特異的な転送解析と評価をサポートする。
その診断研究は、非対称なソース転送、リコールに支配された障害、意味的、操作的、構成的変化における不均一な劣化を明らかにしている。
診断以外にも、GIFTBenchのスケールと多様性は、従来のIFLデータセットよりもはるかに広いトレーニング分布を提供する。
GIFTBench上のトレーニング代表ローカライザは、常に外部データセットへの集約転送を改善しており、ベンチマークは評価ツールとしてだけでなく、クロスドメインローカライゼーションのための効果的なトレーニングリソースとしても機能することを示している。
診断結果を導いたForenScopeは,分類適応表現と多次元・多次元空間的特徴,学習層融合,選択的粗い条件付けを組み合わせた,検出および局所化フレームワークである。
実験では、画像レベルの検出能力を維持しながら、クロスデータセットのローカライゼーションが改善された。
GIFTBenchデータセットのショーケースページはhttps://giftbench-preview.doudoudouya337.chatgpt.siteで公開されている。
関連論文リスト
- Object Detection as an Optional Basis: A Graph Matching Network for Cross-View UAV Localization [17.908597896653045]
本稿では,対象物検出によるマップマッチングを行うUAVローカライゼーションフレームワークを提案する。
典型的なパイプラインでは、UAVの視覚的ローカライゼーションは画像検索の問題として定式化されている。
本手法は, グラフベースノード類似度測定法を用いて, 高精度な検索とローカライズ性能を実現する。
論文 参考訳（メタデータ） (2025-11-04T11:25:31Z) - Towards Data-Efficient Medical Imaging: A Generative and Semi-Supervised Framework [7.361236630859648]
SSGNetは、分類とセグメンテーションの両方を強化するために、クラス固有の生成モデリングと反復的な半教師付き擬似ラベリングを組み合わせた統合フレームワークである。
複数の医用画像ベンチマークによる実験では、分類とセグメンテーションのパフォーマンスが一貫した向上を示した。
論文 参考訳（メタデータ） (2025-10-07T17:03:05Z) - Multisource Collaborative Domain Generalization for Cross-Scene Remote Sensing Image Classification [57.945437355714155]
クロスシーン画像分類は, 異なる分布領域のアノテート領域に, 地中物質の事前の知識を伝達することを目的としている。
既存のアプローチでは、未確認のターゲットドメインへの単一ソースドメインの一般化に重点を置いている。
マルチソースリモートセンシングデータの均一性と不均一性特性に基づく,新しいマルチソース協調型ドメイン一般化フレームワーク(MS-CDG)を提案する。
論文 参考訳（メタデータ） (2024-12-05T06:15:08Z) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳（メタデータ） (2023-12-19T08:14:14Z) - X-Transfer: A Transfer Learning-Based Framework for GAN-Generated Fake
Image Detection [33.31312811230408]
顔置換などの偽画像を生成するためにGANを誤用することは、重大なセキュリティ上の懸念を引き起こす。
本稿では,新しい画像検出アルゴリズムであるX-Transferを提案する。
インターリーブされた並列勾配伝送を利用する2つのニューラルネットワークを利用することで、トランスファーラーニングを強化する。
論文 参考訳（メタデータ） (2023-10-07T01:23:49Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-03T07:45:53Z) - Unsupervised Domain Adaptation with Histogram-gated Image Translation
for Delayered IC Image Analysis [2.720699926154399]
Histogram-gated Image Translation (HGIT)は、特定のソースデータセットからターゲットデータセットのドメインに変換する、教師なしのドメイン適応フレームワークである。
提案手法は,報告したドメイン適応手法と比較して最高の性能を達成し,完全教師付きベンチマークに適当に近い。
論文 参考訳（メタデータ） (2022-09-27T15:53:22Z) - Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs
For Medical Image Classification [5.6512908295414]
本稿では,グラフニューラルネットワークを用いた教師なし領域適応手法を提案する。
分布シフトを伴う2つの挑戦的医用画像データセットの分類法について検討した。
実験により,本手法は他の領域適応法と比較して最先端の結果が得られることが示された。
論文 参考訳（メタデータ） (2022-06-27T09:02:16Z) - DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image
Segmentation on Unseen Datasets [96.92018649136217]
対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。
私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。
本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
論文 参考訳（メタデータ） (2020-10-13T07:28:39Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳（メタデータ） (2020-07-30T05:48:48Z)
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。