論文の概要: Forensic Reserve: Eliciting Latent Knowledge for Image Forgery Detection
- arxiv url: http://arxiv.org/abs/2610.08639v1
- Date: Tue, 06 Oct 2026 16:33:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:30.116209
- Title: Forensic Reserve: Eliciting Latent Knowledge for Image Forgery Detection
- Title（参考訳）: 法医学予備役:画像偽造検出のための潜在知識の排除
- Abstract要約: Reserve-Guided Elicitation (RGE)は、事前訓練されたモデルにおけるスパースでオリジンに敏感な内部成分を法医学的保護として扱う。
RGEは、ターゲットベンチマークを適用せずに、3つの検出ベンチマークで競合性能を達成する。
- 参考スコア（独自算出の注目度）: 9.040826463467232
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As generated images become increasingly realistic, reliable forgery detection is essential for maintaining trust in visual information. However, existing methods primarily rely on task-specific supervision to adapt vision foundation model representations, without fully exploiting internal forensic knowledge to guide detection. To address this limitation, we propose Reserve-Guided Elicitation (RGE), a framework that treats sparse, origin-sensitive internal components in pretrained models as a forensic reserve and translates their localization into structural constraints for lightweight adaptation. Specifically, we first use the Forensic Lens (F-lens) to decompose activations across layers and token groups into independent components and globally screen them by their response differences between real and generated images, identifying reserve sites and directions. Next, we map the selected directions back to hidden-state space to construct fixed reserve subspaces and insert Forensic Reserve Adapters (FRA) only at the identified sites. Finally, with the backbone parameters, previously fitted reference classifier, and subspace bases fixed, we train only the FRA coefficient maps to generate input-dependent residual updates constrained to the corresponding subspaces, strengthening existing forensic responses. Using only 500 labeled training images and a trainable parameter budget below 0.2% of the backbone, RGE achieves competitive performance across three detection benchmarks without target-benchmark adaptation. Furthermore, RGE consistently improves over the corresponding frozen detectors across eight encoders spanning self-supervised and vision-language pretraining, eliciting a latent forensic capacity broadly shared across pretrained vision models.
- Abstract（参考訳）: 生成した画像がますます現実的になるにつれて、視覚情報の信頼を維持するために信頼性の高い偽造検出が不可欠である。
しかし、既存の手法は、内部の法学知識を十分に活用することなく、視覚基盤モデル表現を適応するためのタスク固有の監督に依存している。
この制限に対処するため,事前訓練されたモデルにおける疎結合で原点に敏感な内部成分を法定予備役として扱うフレームワークであるReserve-Guided Elicitation (RGE)を提案し,その局所化を軽量適応のための構造的制約に変換する。
具体的には、まずForensic Lens(F-lens)を用いて、レイヤやトークングループ間でのアクティベーションを独立したコンポーネントに分解し、実際の画像と生成された画像の応答差によって世界規模でスクリーニングし、予約場所と方向を特定する。
次に、選択した方向を隠れ状態空間にマッピングし、固定された予約部分空間を構築し、特定された場所にのみFRA(Forensic Reserve Adapters)を挿入する。
最後に、バックボーンパラメータ、予め設定された参照分類器、サブスペースベースを固定した上で、FRA係数マップのみをトレーニングし、対応するサブスペースに制約された入力依存残留更新を生成し、既存の法医学的応答を強化する。
500個のラベル付きトレーニングイメージと0.2%未満のトレーニング可能なパラメータ予算を使用して、RGEは目標ベンチマークを適用せずに3つの検出ベンチマークで競合性能を達成している。
さらに、RGEは、自己監督と視覚言語による事前訓練にまたがる8つのエンコーダにまたがる、対応する凍結検知器を一貫して改善し、事前訓練された視覚モデル間で広く共有される潜在法医学的能力を引き出す。
関連論文リスト
- Forensic-Aware Continual Adaptation for Image Forgery Localization [75.61019986009747]
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。
論文 参考訳（メタデータ） (2026-09-29T07:47:57Z) - PL-SCEA: Reconfiguring Pretrained Attention for Few-Shot Industrial Anomaly Detection [2.4104933690855153]
Vision Foundation Models (VFM) は、数発の産業異常検出のための転送可能なパッチ表現を提供する。
本稿では,凍結したVFMの注意を異常検出のタスク関連成分として再構成できるという仮説を考察する。
我々はこのアイデアをPL-SCEA(Power-Law Self-Correlation Enhanced Attention)でインスタンス化する。
論文 参考訳（メタデータ） (2026-09-03T10:54:05Z) - Primitive-Driven Compositional Forensic Visual Prompting for Open-World Face Anti-Spoofing [59.765442274924595]
視覚的特徴空間で完全に機能する合成視覚的プロンプト学習フレームワークを提案する。
このフレームワークは、学習可能なマイクロ法医学的プリミティブの共有セットを局所的な法医学的エビデンスユニットに洗練するためにパッチ対応の注意を払っている。
9つのオープンワールドプロトコルの実験は、最先端のパフォーマンス、強力なクロスドメインの一般化、そして目に見えない攻撃への堅牢な適応を示す。
論文 参考訳（メタデータ） (2026-08-18T04:18:08Z) - PISA: A Pseudo-Individual Source-Domain Feature Adaptation Framework for Test-Time Open-Vocabulary Object Detection [3.403013334650533]
PISAはオープンソースのOVOD-TTAメソッドであり、オープン語彙の視覚バックボーンにシームレスに統合される。
PISAは,元のモデルの局所化精度とカテゴリ認識精度の両方を大幅に改善することを示す。
論文 参考訳（メタデータ） (2026-08-14T09:47:44Z) - LaP-Forensics: Latent-Pixel Consistency Guided Multimodal Reasoning for Deepfake Detection [11.780720481629837]
本稿では,RGBセマンティクスを再構築に基づく法医学的証拠で強化するフレームワークであるLaP-Forensicsを紹介する。
独立プロジェクタは、構造化されたWhere-What-Whyモデルの前にRGBイメージと残留マップを符号化し、テキスト解析とアーティファクトマスクを予測する。
実験では、UniversalFakeDetect上でのクロスジェネレータ検出と、公式のSynthScarsベンチマークでの競合アーティファクトローカライゼーションが示されている。
論文 参考訳（メタデータ） (2026-07-28T16:45:52Z) - ForensicConcept: Transferable Forensic Concepts for AIGI Detection [81.29606528968698]
本稿では,検出器から明示的な法医学的概念を抽出し,背骨間の移動を可能にするフレームワークであるForensicConceptを提案する。
提案手法は,Transformer Attributionを用いて決定クリティカルパッチをローカライズし,それらをコンパクトな概念コードブックにまとめる。
論文 参考訳（メタデータ） (2026-06-05T08:25:34Z) - Simplicity Prevails: The Emergence of Generalizable AIGI Detection in Visual Foundation Models [15.709482146201283]
現代のビジョン・ファンデーション・モデル(Vision Foundation Models)の凍結した特徴に基づいて訓練された単純な線形分類器は、新しい最先端技術を確立している。
この基準線は標準ベンチマーク上の特別な検出器と一致し、また、ウィジェット内のデータセット上では決定的に優れていることを示す。
我々は、AIの法医学におけるパラダイムシフトを提唱し、静的ベンチマークの過度な適合から、ファンデーションモデルの進化する世界の知識を現実の信頼性に活用することへと移行した。
論文 参考訳（メタデータ） (2026-02-02T07:20:02Z) - Aligned Unsupervised Pretraining of Object Detectors with Self-training [41.03780087924593]
物体検出器の教師なし事前訓練は、近年、物体検出器訓練の重要な要素となっている。
本稿では、この問題を緩和し、3つの単純かつ重要な要素からなるフレームワークを提案する。
当社の戦略は,スクラッチ(背骨を含む)からの事前トレーニングも可能であり,COCOのような複雑な画像にも適用可能であることを示す。
論文 参考訳（メタデータ） (2023-07-28T17:46:00Z) - Test-time Adaptation with Slot-Centric Models [63.981055778098444]
Slot-TTAは、半教師付きシーン分解モデルであり、シーンごとのテスト時間は、再構成やクロスビュー合成の目的に対する勾配降下を通じて適用される。
我々は、最先端の監視フィードフォワード検出器と代替テスト時間適応法に対して、配電性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2022-03-21T17:59:50Z) - Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。
地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。
提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-01T19:24:27Z)
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。