論文の概要: Media Intelligence Platform: Multimodal Detection of Synthetic and Manipulated Content

• arxiv url: http://arxiv.org/abs/2610.27974v1
• Date: Tue, 20 Oct 2026 10:18:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.760382
• Title: Media Intelligence Platform: Multimodal Detection of Synthetic and Manipulated Content
• Title（参考訳）: メディアインテリジェンスプラットフォーム:合成コンテンツと操作コンテンツのマルチモーダル検出
• Abstract要約: 我々はマルチモーダルメディア調査のためのWebベースのフレームワークであるメディアインテリジェンスプラットフォーム(MIP)を提示する。 MIPは、フェイクビデオ検出、顔形態検出、AI生成画像検出、オーディオディープフェイク検出、ローカライズされた画像操作検出、テキスト分析のための特別なモジュールを統合する。 モジュラーアーキテクチャは異種モデルの柔軟な統合を可能にし、新しい操作技術のための将来の拡張をサポートする。
• 参考スコア（独自算出の注目度）: 0.3330596332120797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid progress of generative artificial intelligence has led to a significant increase in manipulated multimedia content, including synthetic faces, forged videos, AI-generated images, fake audio, and locally edited images. Existing detection approaches are typically designed for a single manipulation type, limiting their applicability in real-world scenarios involving heterogeneous media sources. In this work, we present the Media Intelligence Platform (MIP), a unified web-based framework for multimodal media forensics integrating specialized modules for fake video detection, face morphing detection, AI-generated image detection, audio deepfake detection, localized image manipulation detection, and text analysis. Its modular architecture enables flexible integration of heterogeneous models and supports future extensions for emerging manipulation techniques. Experimental results on representative benchmark datasets demonstrate reliable detection performance across multiple media modalities while providing a practical and user-friendly interface for forensic investigations. The platform highlights the potential of unified multimodal systems for comprehensive deepfake detection in real-world environments, and is accompanied by a public demonstrator released with this workshop submission to support reproducibility and community evaluation.
• Abstract（参考訳）: 生成人工知能の急速な進歩により、合成顔、偽ビデオ、AI生成画像、偽オーディオ、ローカル編集画像など、操作されたマルチメディアコンテンツが大幅に増加した。 既存の検出アプローチは、通常、単一の操作タイプのために設計されており、異種メディアソースを含む実世界のシナリオにおける適用性を制限している。 本研究では,疑似ビデオ検出,顔形態検出,AI生成画像検出,オーディオディープフェイク検出,局所化画像操作検出,テキスト解析などの特殊なモジュールを統合した,マルチモーダルメディア鑑定のための統一Webベースのフレームワークであるメディアインテリジェンスプラットフォーム(MIP)を提案する。 モジュラーアーキテクチャは異種モデルの柔軟な統合を可能にし、新しい操作技術のための将来の拡張をサポートする。 代表的なベンチマークデータセットによる実験結果から,複数のメディアモダリティに対して信頼性の高い検出性能を示すとともに,法医学的調査のための実用的でユーザフレンドリなインターフェースを提供する。 このプラットフォームは、実環境における総合的なディープフェイク検出のための統合マルチモーダルシステムの可能性を強調し、再現性とコミュニティ評価を支援するために、このワークショップに提出された公開デモを伴ってリリースされた。

関連論文リスト

• Detecting AI-Generated Content on Social Media with Multi-modal Language Models [47.35729326899949]
  既存のAIGC検出手法は、新しい世代モデルへの一般化の欠如を含む課題に直面している。 多様なマルチモーダルなソーシャルメディアデータをキュレートすることで、これらの問題を緩和するパイプラインを提示する。 提案モデルは,公開ベンチマーク上での最先端検出性能を実現し,ロバストな検出と説明機能を示す。
  論文  参考訳（メタデータ） (2026-04-21T20:05:02Z)
• Towards Unified Multimodal Misinformation Detection in Social Media: A Benchmark Dataset and Baseline [56.790045049514326]
  詐欺の2つの主要な形態は、人造誤報とAI生成コンテンツである。 両形態の偽造を扱うためのフレームワークであるUMFDet(Unified Multimodal Fake Content Detection)を提案する。 UMFDetは、両方の誤情報型に対して堅牢で一貫したパフォーマンスを実現し、特殊ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-09-30T09:26:32Z)
• Advance Fake Video Detection via Vision Transformers [0.9035379689195373]
  Vision Transformer (ViT)ベースの偽画像検出と、このアイデアをビデオに拡張する。 検出性能を高めるために,VT埋め込みを時間とともに効果的に統合するオリジナルの%革新的フレームワークを提案する。 提案手法は,新しい,大規模で多様なビデオデータセットにまたがる,有望な精度,一般化,数ショット学習能力を示す。
  論文  参考訳（メタデータ） (2025-04-29T11:51:07Z)
• A Multimodal Framework for Deepfake Detection [0.0]
  AIを使って合成メディアを作るDeepfakesは、ビデオやオーディオを説得力を持って修正して、現実を正しく表現する。 我々の研究は、革新的なマルチモーダルアプローチを通じて、ディープフェイクの重要な問題に対処する。 枠組みは視覚的・聴覚的分析を併用し,精度は94%であった。
  論文  参考訳（メタデータ） (2024-10-04T14:59:10Z)
• AVTENet: A Human-Cognition-Inspired Audio-Visual Transformer-Based Ensemble Network for Video Deepfake Detection [49.81915942821647]
  本研究では、ディープフェイクビデオを検出するために、オーディオ・ヴィジュアル・トランスフォーマー・ベースのアンサンブルネットワーク(AVTENet)を導入する。 評価には、最近リリースされたマルチモーダルオーディオビデオFakeAVCelebデータセットを使用する。 AVTENetとその変種およびいくつかの既存手法をFakeAVCelebデータセットの複数のテストセット上で評価する。
  論文  参考訳（メタデータ） (2023-10-19T19:01:26Z)
• Detecting and Grounding Multi-Modal Media Manipulation and Beyond [93.08116982163804]
  マルチモーダルフェイクメディア(DGM4)の新たな研究課題について述べる。 DGM4は、マルチモーダルメディアの真正性を検出するだけでなく、操作されたコンテンツも検出することを目的としている。 本稿では,異なるモーダル間のきめ細かい相互作用を完全に捉えるために,新しい階層型マルチモーダルマニピュレーションrEasoning tRansformer(HAMMER)を提案する。
  論文  参考訳（メタデータ） (2023-09-25T15:05:46Z)
• MEG: Multi-Evidence GNN for Multimodal Semantic Forensics [28.12652559292884]
  フェイクニュースは、画像、テキスト、位置などのモダリティを横断するセマンティックな操作を伴うことが多い。 近年の研究では、画像の再利用という問題に焦点が当てられている。 マルチモーダル・セマンティック・フォサイシクスのための新しいグラフニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2020-11-23T09:01:28Z)

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。