論文の概要: MSU Team at the Explainable Deepfake Detection Challenge 2026: Grounded Artifact Evidence for Deepfake Detection

• arxiv url: http://arxiv.org/abs/2610.09952v1
• Date: Wed, 07 Oct 2026 12:30:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.905017
• Title: MSU Team at the Explainable Deepfake Detection Challenge 2026: Grounded Artifact Evidence for Deepfake Detection
• Title（参考訳）: 説明可能なディープフェイク検出チャレンジ2026:ディープフェイク検出のためのグラウンドドアーティファクト証拠
• Abstract要約: XPlainVerse データセットの Explainable Deepfake Detection Challenge に提案する。 そこで本研究では,複数のDINOv3モデルとMesorch操作局所化機能を組み合わせたマルチバックボーン検出器を構築した。 言語出力には、クラス条件付きQwen3-VLモデルを用いて、偽および実予測のための複雑な説明を生成する。
• 参考スコア（独自算出の注目度）: 40.462088181739695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in generative image models have made many manipulated images highly realistic, raising the need for detectors that are not only accurate but also able to provide visual evidence for their decisions. In this paper, we present our solution to the Explainable Deepfake Detection Challenge [2] on the XPlainVerse dataset [1], where systems are required to predict whether an image is real or fake and generate both complex and simple explanations grounded in visible forensic cues. Our method follows a modular detection-and-explanation design. For the real/fake decision, we build a multi-backbone detector that combines several DINOv3 models with Mesorch manipulation-localization features, bringing together pretrained visual representations, DCT-aware cues, and multi-scale forensic information. To inject explanation evidence into the detector, we use a Grounding-DINO-based pseudo-mask generation pipeline that converts local artifact descriptions from training explanations into weak patch- level supervision for an Artifact Evidence Map. We further introduce a local patch-level contrastive objective that separates artifact and authenticity evidence in the detector feature space without requiring paired images or pixel-level manipulation masks. For language output, we use class-conditional Qwen3-VL models to generate complex explanations for fake and real predictions, followed by a GRPO-optimized text simplification model. The proposed methods were trained and evaluated on the challenge subset of XPlainVerse. On the full test split, our submission achieves 0.9349 detection accuracy, 0.5571 explanation score, and a 0.7456 final challenge score.
• Abstract（参考訳）: 生成画像モデルの最近の進歩は、多くの操作されたイメージを非常に現実的にし、正確なだけでなく、その決定に対する視覚的証拠を提供するための検出器の必要性を高めている。 本稿では,XPlainVerse データセット [1] 上の Explainable Deepfake Detection Challenge [2] に対して,画像が本物か偽物かを予測し,複雑な説明と簡単な説明の両方を視覚科学的な手がかりで生成するシステムを提案する。 提案手法はモジュラー・アンド・エクスラレーションの設計に従う。 そこで本研究では,DINOv3モデルとMesorch操作局所化機能を組み合わせたマルチバックボーン検出器を構築し,事前学習された視覚表現,DCT対応キュー,およびマルチスケールの法医学情報を提供する。 検出器に説明証拠を注入するために、グラウンドリング・ディノをベースとした擬似マスク生成パイプラインを用いて、訓練説明から局所的なアーティファクト記述をアーティファクト証拠マップの弱いパッチレベル監視に変換する。 さらに,2枚の画像や画素レベルの操作マスクを必要とせずに,検出特徴空間におけるアーティファクトと信頼性の証拠を分離する,局所的なパッチレベルのコントラスト目的を導入する。 言語出力には、クラス条件付きQwen3-VLモデルを使用し、偽および実予測のための複雑な説明を生成する。 提案手法は XPlainVerse の課題サブセットに基づいて訓練および評価を行った。 完全テスト分割では,0.9349検出精度,0.5571説明スコア,0.7456最終挑戦スコアが得られた。

関連論文リスト

• Explainable Deepfake Detection Challenge [42.4485282926075]
  ACM Multimedia 2026における説明可能なディープフェイク検出チャレンジは、このジョイント能力をベンチマークするために設計されている。 この評価は、分類指標と意味的類似性、単純性、意図認識の接地指標を組み合わせる。 この課題を通じて開発された手法は、次世代で説明可能なディープフェイク検出器の開発に寄与する。
  論文  参考訳（メタデータ） (2026-07-23T07:42:43Z)
• XPlainVerse: A Million-Scale Benchmark for Explainable Deepfake Detection [43.15397857869723]
  共同深度検出と人中心的説明のための大規模ベンチマークであるXPlainVerseを紹介した。 XPlainVerseは、100万枚の実画像と操作された画像で構成され、既存の5つのソースからの認証画像と、12個のオフザシェルフ画像編集合成モデルによって生成された偽画像とをペアリングする。 データセットのスケール以外にも、XPlainVerseは2つの補完的な説明スタイルを提供している。
  論文  参考訳（メタデータ） (2026-07-03T18:52:42Z)
• AntifakePrompt: Prompt-Tuned Vision-Language Models are Fake Image Detectors [24.78672820633581]
  深層生成モデルは、偽情報や著作権侵害に対する懸念を高めながら、驚くほど偽のイメージを作成することができる。 実画像と偽画像とを区別するためにディープフェイク検出技術が開発された。 本稿では,視覚言語モデルとアクシデントチューニング技術を用いて,Antifake Promptと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-26T14:23:45Z)
• 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)
• M2TR: Multi-modal Multi-scale Transformers for Deepfake Detection [74.19291916812921]
  Deepfake技術によって生成された鍛造画像は、デジタル情報の信頼性に深刻な脅威をもたらします。 本稿では,Deepfake検出のための微妙な操作アーチファクトを異なるスケールで捉えることを目的とする。 最先端の顔スワッピングと顔の再現方法によって生成された4000のDeepFakeビデオで構成される高品質のDeepFakeデータセットSR-DFを紹介します。
  論文  参考訳（メタデータ） (2021-04-20T05:43:44Z)
• What makes fake images detectable? Understanding properties that generalize [55.4211069143719]
  深層ネットワークは、博士画像の微妙なアーティファクトを拾い上げることができる。 我々は、偽画像のどの特性が検出可能かを理解することを模索する。 検出可能な特性を誇張する手法を示す。
  論文  参考訳（メタデータ） (2020-08-24T17:50:28Z)

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。