論文の概要: EviStress: Evidence Stress Learning for Generalizable Face Forgery Detection with Textual Explanations
- arxiv url: http://arxiv.org/abs/2610.16879v1
- Date: Mon, 12 Oct 2026 14:41:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 04:21:58.520187
- Title: EviStress: Evidence Stress Learning for Generalizable Face Forgery Detection with Textual Explanations
- Title（参考訳）: EviStress: テキスト説明による一般化可能な顔偽造検出のためのエビデンスストレス学習
- Abstract要約: 標準のLoRA適応CLIP検出器は、パッチレベルの不均一な決定依存を示す。
EviStressは、テキスト説明による顔偽造検出を一般化するための2段階のフレームワークである。
実験では、クロスデータセットとクロスメソッドの一般化と汚職の堅牢性が改善された。
- 参考スコア（独自算出の注目度）: 17.515739051623587
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid spread of face forgeries on the Web challenges the credibility of visual content. In practical Web environments, manipulated media originate from evolving generation pipelines and undergo diverse processing during dissemination, making reliable authenticity assessment under unseen manipulations and visual changes a critical challenge. We observe that a standard LoRA-adapted CLIP detector exhibits uneven patch-level decision dependence, concen trating a disproportionate share of class-specific relevance on a small fraction of visual patches. To improve robustness to variations in such highly dependent evidence, we propose EviStress, a two-stage framework for generalizable face forgery detection with textual explanations. In the first stage, Evidence-Targeted Patch Perturbation (ETPP) estimates patch dependence from global, relational, and semantic cues and assigns positively correlated perturbation probabilities, explicitly stress-testing highly dependent visual evidence during training. We further introduce Discriminative Variation Preservation (DVP), which constrains the residual between clean and perturbed representations to retain authenticity discriminative information. In the second stage, Intrinsic Evidence Instruction Tuning (IEIT) transfers the adapted CLIP encoder into LLaVA as its vision tower and performs parameter-efficient multimodal instruction tuning, enabling authenticity prediction and textual explanation directly from the learned forgery-sensitive representation without an external detector. Experiments demonstrate improved cross-dataset and cross-method generalization and corruption robustness, with the multimodal model providing authenticity predictions and human-readable explanations.
- Abstract（参考訳）: Web上での顔偽造の急速な普及は、ビジュアルコンテンツの信頼性に挑戦する。
実用的なWeb環境では、操作されたメディアは、生成パイプラインの進化と、拡散中の多様な処理から生まれ、目に見えない操作や視覚的変化による信頼性の評価が重要な課題である。
標準のLORA適応CLIP検出器は,少数の視覚的パッチに対して,クラス固有の関連性の不均等なシェアを保ちながら,不均一なパッチレベルの決定依存を示す。
このような高信頼な証拠の変動に対するロバスト性を改善するために,テキストによる説明による顔偽造検出を一般化するための2段階のフレームワークであるEviStressを提案する。
第1段階では、ETPP(Evidence-Targeted Patch Perturbation)は、グローバル、リレーショナル、セマンティックキューからのパッチ依存を推定し、正に相関した摂動確率を割り当てる。
さらに、クリーン表現と摂動表現の間の残差を制約し、真偽識別情報を保持できる識別的変分保存(DVP)についても紹介する。
第2段階では、固有エビデンス命令チューニング(IEIT)は、適応されたCLIPエンコーダをそのビジョンタワーとしてLLaVAに転送し、パラメータ効率のよいマルチモーダル命令チューニングを行い、外部検出器を使わずに学習された偽感表現から直接、真正性予測とテキストによる説明を可能にする。
実験では、信頼性予測と人間可読な説明を提供するマルチモーダルモデルにより、クロスデータセットとクロスメソッドの一般化と汚職の堅牢性を改善した。
関連論文リスト
- Robustifying Vision-Language Models via Test-Time Prompt Adaptation [23.05168102474528]
サンプルレベルの推定から分布レベルのアライメントに移行するテストtImeプロンプト・タダプテーションフレームワークであるRITAを提案する。
特に、RITAは、拡張視覚特徴の分布をテキストプロトタイプと整合させ、敵対的外乱を緩和し、モーダルな意味的不一致を是正するために最適なトランスポートを使用する。
論文 参考訳（メタデータ） (2026-07-10T14:19:42Z) - FACTOR: Counterfactual Training-Free Test-Time Adaptation for Open-Vocabulary Object Detection [63.91351553178842]
FACTORはオープン語彙オブジェクト検出のためのトレーニング不要なテスト時間適応である。
属性依存性の予測を選択的に抑制するために、属性の感度、意味的関連性、予測のバリエーションを定量化する。
PASCAL-C, COCO-C, FoggyCityscapes の実験では、FACTOR が従来の TTA 法より一貫して優れていたことが示されている。
論文 参考訳（メタデータ） (2026-05-05T02:31:18Z) - Causal Bootstrapped Alignment for Unsupervised Video-Based Visible-Infrared Person Re-Identification [52.784239635604735]
VVI-ReIDは、静止画像以外にも時間情報が付加的な手がかりを提供する、全日監視のための重要な技術である。
既存のアプローチは、高価なクロスモダリティアノテーションによる完全な教師付き学習に大きく依存しており、スケーラビリティが制限されています。
そこで,本研究では,ビデオの先行を明示的に活用するCausal Bootstrapped Alignmentフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-17T02:15:59Z) - VEXA: Evidence-Grounded and Persona-Adaptive Explanations for Scam Risk Sensemaking [9.22587207148122]
電子メール、ショートメッセージサービス、ソーシャルメディアなどのオンライン詐欺は、日々のリスク評価にますます挑戦している。
我々は,学習者向け詐欺説明を生成するためのエビデンス・グラウンドとペルソナ・アダプティブ・フレームワークであるVEXAを提案する。
論文 参考訳（メタデータ） (2026-02-04T21:16:24Z) - REFLEX: Self-Refining Explainable Fact-Checking via Disentangling Truth into Style and Substance [14.932352020762991]
本稿ではReason-Guided Fact-checking with Latent Explanations REFLEX paradigmを提案する。
バックボーンモデルの内部知識を活用して、検証精度と説明品質の両方を改善する、プラグアンドプレイの自己修正パラダイムである。
自己修正されたトレーニングサンプルはわずか465で、RELFEXは最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-11-25T12:06:23Z) - Generalizable Speech Deepfake Detection via Information Bottleneck Enhanced Adversarial Alignment [48.73836179661632]
信頼誘導対向アライメントは、識別的手がかりを消去することなく攻撃固有のアーティファクトを適応的に抑制する。
IB-CAANは、多くのベンチマークにおいて、ベースラインと最先端のパフォーマンスを一貫して上回る。
論文 参考訳（メタデータ） (2025-09-28T03:48:49Z) - HAMLET-FFD: Hierarchical Adaptive Multi-modal Learning Embeddings Transformation for Face Forgery Detection [6.060036926093259]
HAMLET-FFDは顔偽造検出のためのクロスドメイン一般化フレームワークである。
視覚的証拠と概念的手がかりを統合し、専門家の法医学的分析をエミュレートする。
HAMLET-FFDは設計上、外部プラグインとして機能する全ての事前訓練されたパラメータを凍結する。
論文 参考訳（メタデータ） (2025-07-28T15:09:52Z) - Anticipating the Unseen Discrepancy for Vision and Language Navigation [63.399180481818405]
視覚言語ナビゲーションでは、エージェントは特定のターゲットに到達するために自然言語命令に従う必要がある。
目に見える環境と目に見えない環境の間に大きな違いがあるため、エージェントがうまく一般化することは困難である。
本研究では,テストタイムの視覚的整合性を促進することによって,未知の環境への一般化を学習する,未知の離散性予測ビジョンと言語ナビゲーション(DAVIS)を提案する。
論文 参考訳（メタデータ） (2022-09-10T19:04:40Z) - Variational Distillation for Multi-View Learning [104.17551354374821]
我々は,多視点表現学習における2つの重要な特徴を利用するために,様々な情報ボトルネックを設計する。
厳密な理論的保証の下で,本手法は,観察とセマンティックラベルの内在的相関の把握を可能にする。
論文 参考訳（メタデータ） (2022-06-20T03:09:46Z) - Learning Disentangled Representations with Latent Variation
Predictability [102.4163768995288]
本稿では,潜在不整合表現の変動予測可能性について述べる。
逆生成プロセス内では、潜時変動と対応する画像対の相互情報を最大化することにより、変動予測可能性を高める。
本研究では,潜在表現の絡み合いを測るために,基礎的構造的生成因子に依存しない評価指標を開発する。
論文 参考訳（メタデータ） (2020-07-25T08:54:26Z)
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。