論文の概要: DINO-FIL: Multi-Layer Transformer Fusion for Generative Inpainting Forgery Localization

• arxiv url: http://arxiv.org/abs/2610.21780v1
• Date: Thu, 15 Oct 2026 12:36:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.075493
• Title: DINO-FIL: Multi-Layer Transformer Fusion for Generative Inpainting Forgery Localization
• Title（参考訳）: DINO-FIL:多層変圧器核融合による創製フォージェリーローカライゼーション
• Abstract要約: 生成画像の画素レベルのローカライズのためのトランスフォーマーベースのフレームワークであるDINO-FILを提案する。 この方法は、DINOv3 ViT-H+/16エンコーダと軽量フュージョンデコーダを組み合わせたプレトレーニング済みのDINOv3 ViT-H+/16エンコーダからの多層表現を利用して、画像編集によって導入されたセマンティック構造ときめ細かいテクスチャの不整合の両方をキャプチャする。 中間変圧器の機能を奥行きに集約することで、標準の単一層アプローチでしばしば見逃される微妙な空間的局所化されたアーティファクトに対する感度を向上させることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose DINO-FIL, a transformer-based framework for pixel-level localization of generative image forgeries. The method leverages multi-layer representations from a pretrained DINOv3 ViT-H+/16 encoder combined with a lightweight fusion decoder to capture both semantic structure and fine-grained texture inconsistencies introduced by image editing. By aggregating intermediate transformer features across depths, the model improves sensitivity to subtle, spatially localized artifacts that are often missed by standard single-layer approaches. We evaluate DINO-FIL in a cross-dataset setting, training on B-Free and testing on Beyond the Brush, CocoGlide, TGIF, and SAGI-D. The model achieves strong generalization, outperforming existing baselines on average and on four of five evaluated datasets, while maintaining a high true negative rate on pristine images.
• Abstract（参考訳）: 生成画像の画素レベルのローカライズのためのトランスフォーマーベースのフレームワークであるDINO-FILを提案する。 この方法は、DINOv3 ViT-H+/16エンコーダと軽量フュージョンデコーダを組み合わせたプレトレーニング済みのDINOv3 ViT-H+/16エンコーダからの多層表現を利用して、画像編集によって導入されたセマンティック構造ときめ細かいテクスチャの不整合の両方をキャプチャする。 中間変圧器の機能を奥行きに集約することで、標準の単一層アプローチでしばしば見逃される微妙な空間的局所化されたアーティファクトに対する感度を向上させることができる。 我々は,DINO-FILをデータセット間で評価し,B-FreeのトレーニングとBeyond the Brush, CocoGlide, TGIF, SAGI-Dの試験を行った。 このモデルは強力な一般化を実現し、既存のベースラインを平均で上回り、5つの評価データセットのうち4つで上回り、プリスタン画像の真の負の速度を維持している。

関連論文リスト

• FUSED: Forensic-Semantic Mixture-of-Experts for AI Inpainting Detection and Localization [14.056602265859645]
  拡散ベースの塗装モデルは、画像の局所的な部分だけを変更する。 多くのAIイメージ検出器は、グローバルアーティファクトに依存し、ローカライズしない。 FUSEDは,AIによるインペイントの同時検出と局所化のための統合フレームワークである。
  論文  参考訳（メタデータ） (2026-08-28T13:05:43Z)
• Joint Post-Training Quantization of Vision Transformers with Learned Prompt-Guided Data Generation [5.75627633588113]
  我々は、ImageNetで訓練されたビジョントランスフォーマーの合体量子化のためのフレームワークを提案する。 我々はImageNet上で最先端のW4A4とW3A3の精度を実現する。 また,ラベルのない多種多様なサンプルを合成するデータフリーキャリブレーション手法を導入する。
  論文  参考訳（メタデータ） (2026-02-21T15:02:21Z)
• Multiscale Structure Guided Diffusion for Image Deblurring [24.09642909404091]
  拡散確率モデル (DPM) は画像の劣化に用いられている。 暗黙のバイアスとして、単純だが効果的なマルチスケール構造ガイダンスを導入する。 目に見えないデータのアーティファクトが少ないほど、より堅牢なデブロアリング結果を示します。
  論文  参考訳（メタデータ） (2022-12-04T10:40:35Z)
• Modeling Image Composition for Complex Scene Generation [77.10533862854706]
  本稿では,レイアウト・ツー・イメージ生成タスクにおける最先端結果を実現する手法を提案する。 本稿では,RGB画像をパッチトークンに圧縮した後,オブジェクト・トゥ・オブジェクト,オブジェクト・トゥ・パッチ,パッチ・トゥ・パッチの依存関係を探索するTransformer with Focal Attention (TwFA)を提案する。
  論文  参考訳（メタデータ） (2022-06-02T08:34:25Z)
• SUMD: Super U-shaped Matrix Decomposition Convolutional neural network for Image denoising [0.0]
  ネットワークに行列分解モジュール(MD)を導入し,グローバルなコンテキスト機能を確立する。 U字型アーキテクチャの多段階的プログレッシブ復元の設計に触発されて,MDモジュールをマルチブランチに統合する。 我々のモデル(SUMD)は、Transformerベースの手法で、同等の視覚的品質と精度が得られる。
  論文  参考訳（メタデータ） (2022-04-11T04:38:34Z)
• MAT: Mask-Aware Transformer for Large Hole Image Inpainting [79.67039090195527]
  本稿では, 変圧器と畳み込みの利点を統一する, 大穴塗装の新しいモデルを提案する。 実験では、複数のベンチマークデータセット上で、新しいモデルの最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-03-29T06:36:17Z)
• Visual Saliency Transformer [127.33678448761599]
  RGBとRGB-Dの液状物体検出(SOD)のための、純粋な変圧器であるVST(Visual Saliency Transformer)に基づく新しい統一モデルを開発しました。 イメージパッチを入力として取り、トランスフォーマーを利用してイメージパッチ間のグローバルコンテキストを伝搬する。 実験結果から,RGBとRGB-D SODのベンチマークデータセットにおいて,本モデルが既存の最新結果を上回っていることが示された。
  論文  参考訳（メタデータ） (2021-04-25T08:24:06Z)
• Mixup-Transformer: Dynamic Data Augmentation for NLP Tasks [75.69896269357005]
  Mixupは、入力例と対応するラベルを線形に補間する最新のデータ拡張技術である。 本稿では,自然言語処理タスクにmixupを適用する方法について検討する。 我々は、様々なNLPタスクに対して、mixup-transformerと呼ばれる、トランスフォーマーベースの事前学習アーキテクチャにmixupを組み込んだ。
  論文  参考訳（メタデータ） (2020-10-05T23:37:30Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。