論文の概要: Not Every Cue Is Evidence: Cue Supportability for Forensic Distillation in Face Forgery Detection

• arxiv url: http://arxiv.org/abs/2610.16452v1
• Date: Mon, 12 Oct 2026 09:16:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 23:09:37.123851
• Title: Not Every Cue Is Evidence: Cue Supportability for Forensic Distillation in Face Forgery Detection
• Title（参考訳）: あらゆる手がかり:顔偽造検出における法医学的蒸留支援
• Abstract要約: トレーニングキューは通常、偽造生成パイプラインから派生する。 蒸留前の特権的手がかりをフィルタリングする二重支持性監査を提案する。 提案手法は,既存のパラダイムに比べて説明の忠実度を著しく高めながら,検出精度を維持・改善する。
• 参考スコア（独自算出の注目度）: 31.67518601799216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explainable face forgery detection requires not only correct judgments but also forensic evidence supported by the input image. However, training cues are typically derived from the forgery generation pipeline. Since images available to the model are of limited quality and resolution, it is difficult to observe the fine-grained traces these cues refer to. Training methods that further supply such cues as privileged supervision exacerbate the problem, as the student is taught to articulate evidence it cannot perceive. The student consequently resorts to templated or over-generalized expressions, giving rise to the correct-answer, wrong-evidence (CAWE) failure. We propose a dual supportability audit that filters privileged cues before distillation. Each candidate cue must be predictable from the remaining privileged context and causally tied to high-attribution visual regions in the current image. Only cues satisfying both conditions receive substantial distillation weight, preventing unsupported details from leaking into the student. Experiments across eight benchmarks show that our method maintains or improves detection accuracy while significantly raising explanation faithfulness compared to existing paradigms.
• Abstract（参考訳）: 説明可能な顔偽造検出には、正しい判断だけでなく、入力画像で裏付けられた法医学的証拠も必要である。 しかし、トレーニングキューは通常、偽造生成パイプラインから派生する。 モデルで利用できる画像の品質と解像度は限られているため、これらのキューが参照する微細な痕跡を観察することは困難である。 特権的監督としてこれらの手段を更に供給する訓練方法は、生徒が知覚できない証拠を明確にするために教えられるため、問題を悪化させる。 結果として、学生はテンプレート化されたあるいは過度に一般化された表現に頼り、正しい答え、誤った証拠(CAWE)の失敗を引き起こす。 蒸留前の特権的手がかりをフィルタリングする二重支持性監査を提案する。 各候補キューは、残りの特権的コンテキストから予測可能であり、現在の画像の高属性視覚領域に因果的に結び付けられなければならない。 両方の条件を満たす手がかりだけが相当量の蒸留重量を受け取り、不必要な詳細が学生に漏れるのを防ぐ。 8つのベンチマーク実験により,本手法は既存のパラダイムと比較して説明の忠実さを著しく高めながら,検出精度を維持あるいは向上することが示された。

関連論文リスト

• WorldFact-Bench: Beyond Image-Internal Plausibility to Image-World Consistency [25.06768969910152]
  単一画像から画像世界の一貫性を評価するためにWorldFact-Benchを導入する。 PerSIST-Agentは、候補事実、視覚的観察、証拠、検証ステータスをリンクする永続状態に関する反復的検証を組織する。
  論文  参考訳（メタデータ） (2026-10-08T03:42:02Z)
• Learning Continuous Source Responses For Generalizable AI-Generated Image Detection [42.338483531657666]
  継続的ソース応答を学習するためのフレームワークであるCuReを紹介します。 CuReはトレーニングタスクの観点から認証検出を再考する。 平均平衡精度は89.7%で、第2の利率を5.2ポイント上回る。
  論文  参考訳（メタデータ） (2026-09-13T06:24:59Z)
• Harnessing Reasoning Trajectories for Hallucination Detection via Answer-agreement Representation Shaping [31.704726867711955]
  本稿では,検出フレンドリーなトレース条件表現を学習するAnswer-agreement Representation Shaping(ARS)を提案する。 ARSは小さな潜伏介入によって反現実的な答えを生成する。 ARSは検出を継続的に改善し、強いベースラインよりも大幅に向上する。
  論文  参考訳（メタデータ） (2026-01-24T13:47:51Z)
• ExposeAnyone: Personalized Audio-to-Expression Diffusion Models Are Robust Zero-Shot Face Forgery Detectors [58.45131932883374]
  ビデオ中のディープフェイクを検出するための完全自己教師型アプローチを提案する。 本モデルでは,拡散再構成誤差を用いて,疑わしい映像とパーソナライズされた被写体との同一性距離を算出する。 本手法は, ボケや圧縮などの汚損に対して極めて堅牢であり, 現実の顔偽造検出への適用性を強調している。
  論文  参考訳（メタデータ） (2026-01-05T18:59:54Z)
• REVEAL: Reasoning-enhanced Forensic Evidence Analysis for Explainable AI-generated Image Detection [30.963994372913092]
  我々は、AI生成画像検出のための最初の推論強化マルチモーダルベンチマークである textbfREVEAL-Bench を紹介する。 筆者らのフレームワークは,検出を専門家による新しい強化学習と統合する。 REVEALは検出精度、説明忠実度、堅牢なクロスモデル一般化を著しく向上させる。
  論文  参考訳（メタデータ） (2025-11-28T13:11:08Z)
• Unsupervised Hallucination Detection by Inspecting Reasoning Processes [53.15199932086543]
  非教師付き幻覚検出は、ラベル付きデータに頼ることなく、大規模言語モデル(LLM)が生成する幻覚コンテンツを特定することを目的としている。 本稿では,非教師なし幻覚検出フレームワークIRISを提案する。 我々の手法は完全に教師なし、計算コストが低く、訓練データが少ない場合でもうまく機能し、リアルタイム検出に適しています。
  論文  参考訳（メタデータ） (2025-09-12T06:58:17Z)
• Learning Flow Fields in Attention for Controllable Person Image Generation [59.10843756343987]
  制御可能な人物画像生成は、参照画像に条件付けされた人物画像を生成することを目的としている。 そこで本研究では,対象クエリに対して,適切な参照キーへの参照を明示的にガイドする学習フロー場(Leffa)を提案する。 Leffaは外観(仮想試行)とポーズ(目的移動)の制御における最先端のパフォーマンスを実現し、細かなディテール歪みを著しく低減する。
  論文  参考訳（メタデータ） (2024-12-11T15:51:14Z)
• ReDFeat: Recoupling Detection and Description for Multimodal Feature Learning [51.07496081296863]
  我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。 本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。 我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-05-16T04:24:22Z)
• A Sober Look at the Unsupervised Learning of Disentangled Representations and their Evaluation [63.042651834453544]
  モデルとデータの両方に帰納的バイアスを伴わずに,非教師なしの非教師付き表現学習は不可能であることを示す。 異なる手法は、対応する損失によって「強化」された特性を効果的に強制するが、よく見分けられたモデルは監督なしでは特定できないように見える。 以上の結果から,遠絡学習における今後の研究は,帰納的バイアスと(単純に)監督の役割を明確化すべきであることが示唆された。
  論文  参考訳（メタデータ） (2020-10-27T10:17:15Z)

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。