論文の概要: OCBI: Order-Sensitive Cross-Branch Interaction for Image Manipulation Localization

• arxiv url: http://arxiv.org/abs/2611.01783v1
• Date: Sun, 01 Nov 2026 10:46:20 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:38:33.164724
• Title: OCBI: Order-Sensitive Cross-Branch Interaction for Image Manipulation Localization
• Title（参考訳）: OCBI:画像操作局所化のための秩序感性クロスブランチインタラクション
• Abstract要約: 分岐内空間混合とRGB誘導クロスブランチ混合は、反対の順序で合成された異なるメッセージを生成することができる。 本稿では,これら2つの合成順序の相違を局所化のためにモデル化する,共変換器の拡張であるOCBIを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Image manipulation localization combines semantic structure with forensic traces to identify modified pixels. Within-branch spatial mixing and RGB-guided cross-branch mixing can produce different messages when composed in opposite orders. We propose OCBI, an extension of Co-Transformers that models the discrepancy between these two composition orders for localization. A local cross-branch fusion module uses the commutator of RGB-guided cross-attention and forensic self-attention to add a learnable signed correction to feature transfer. Pixelwise adaptive multiscale aggregation then combines spatial contexts before prediction. OCBI uses the Co-Transformers backbone and supervision. We compare OCBI with retrained Co-Transformers using CASIA-only task training, a 50-epoch budget, and final-epoch evaluation. Across five clean test datasets, OCBI achieves a macro PixelF1 of 0.5773, exceeding the baseline by 0.43 percentage points. Under JPEG compression, Gaussian blur, and resizing on three datasets, its average PixelF1 over 21 dataset-transformation conditions exceeds the baseline by 0.95 percentage points.
• Abstract（参考訳）: 画像操作のローカライゼーションは、意味構造と法医学的トレースを組み合わせることで、修正されたピクセルを識別する。 分岐内空間混合とRGB誘導クロスブランチ混合は、反対の順序で合成された異なるメッセージを生成することができる。 本稿では,これら2つの合成順序の相違を局所化のためにモデル化する,共変換器の拡張であるOCBIを提案する。 ローカルクロスブランチ融合モジュールは、RGB誘導のクロスアテンションと法医学的自己アテンションのコンピュレータを使用して、特徴伝達に学習可能な符号付き修正を加える。 画素適応型多スケールアグリゲーションは、予測の前に空間コンテキストを結合する。 OCBIはCo-Transformersのバックボーンと監視を使用する。 OCBIをCASIAのみのタスクトレーニング,50エポック予算,最終エポック評価を用いて再訓練したCo-Transformerと比較した。 5つのクリーンテストデータセット全体で、OCBIは0.5773のマクロPixelF1を達成し、ベースラインを0.43ポイント上回る。 JPEG圧縮、ガウスのぼかし、および3つのデータセットのリサイズでは、平均的なPixelF1が21以上のデータセット変換条件がベースラインを0.95パーセント越えている。

関連論文リスト

• TopoDPO: Dense Preference Alignment for Structure-Sensitive Aerial Referring Segmentation [78.6585022537438]
  TopoDPOは、構造に敏感な空中参照セグメンテーションのためのトポロジー対応の高密度優先アライメントフレームワークである。 TopoDPOは結合(IoU)の交叉を改善し、ベッチ0の誤差を 1.34 から 0.90 に削減する。 39,244件の検証記録の未フィルタリング層は、中等度または重度な部品数誤差のある試料において最も明らかな構造的ゲインを示している。
  論文  参考訳（メタデータ） (2026-11-01T04:23:18Z)
• Same Encoder, Different Winner: A Paired-View Framework for Cell Painting Encoder Evaluation [7.520198220421409]
  セルペイントのための視覚エンコーダは通常、単一の評価によってランク付けされ、通常、平均平均精度(mAP)を再現する。 CP-BG-Benchは、4つのマッチングされたビューに固定された中央セルを保持するペアビュー評価フレームワークである。
  論文  参考訳（メタデータ） (2026-09-11T12:14:37Z)
• FTCFormer: Fuzzy Token Clustering Transformer for Image Classification [22.410199372985584]
  トランスフォーマーベースのディープニューラルネットワークは、様々なコンピュータビジョンタスクで顕著な成功を収めている。 ほとんどのトランスフォーマーアーキテクチャは、イメージを均一なグリッドベースの視覚トークンに埋め込み、画像領域の基本的な意味を無視する。 本研究では,空間的位置ではなく意味に基づく視覚トークンを動的に生成するFuzzy Token Clustering Transformer (FTCFormer)を提案する。
  論文  参考訳（メタデータ） (2025-07-14T13:49:47Z)
• CoFiI2P: Coarse-to-Fine Correspondences for Image-to-Point Cloud Registration [9.57539651520755]
  CoFiI2Pは、粗い方法で通信を抽出する新しいI2P登録ネットワークである。 粗いマッチングフェーズでは、均一なグローバル情報と不均一なグローバル情報の両方をキャプチャするために、新しいI2Pトランスフォーマーモジュールが使用される。 微細マッチングモジュールにおいて、スーパーポイント/スーパーピクセル対応のガイダンスにより、ポイント/ピクセル対を確立する。
  論文  参考訳（メタデータ） (2023-09-26T04:32:38Z)
• $R^{2}$Former: Unified $R$etrieval and $R$eranking Transformer for Place Recognition [92.56937383283397]
  検索と再ランクの両方を扱う統合された場所認識フレームワークを提案する。 提案モジュールは特徴相関,注目値,xy座標を考慮に入れている。 R2$Formerは、主要なVPRデータセットの最先端メソッドを著しく上回る。
  論文  参考訳（メタデータ） (2023-04-06T23:19:32Z)
• Adaptive Split-Fusion Transformer [90.04885335911729]
  本稿では,適応重みによる畳み込みと注目の分岐を異なる方法で扱うための適応分割変換器(ASF-former)を提案する。 ImageNet-1Kのような標準ベンチマークの実験では、我々のASFフォーマーはCNN、トランスフォーマー、ハイブリッドパイロットを精度で上回っている。
  論文  参考訳（メタデータ） (2022-04-26T10:00:28Z)
• 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)
• Bi-directional Cross-Modality Feature Propagation with Separation-and-Aggregation Gate for RGB-D Semantic Segmentation [59.94819184452694]
  深度情報はRGBD画像のセマンティックセグメンテーションにおいて有用であることが証明されている。 既存のほとんどの研究は、深度測定がRGBピクセルと正確で整合していると仮定し、問題をモーダルな特徴融合としてモデル化している。 本稿では,RGB特徴量応答を効果的に再検討するだけでなく,複数の段階を通して正確な深度情報を抽出し,代わりに2つの補正表現を集約する,統一的で効率的なクロスモダリティガイドを提案する。
  論文  参考訳（メタデータ） (2020-07-17T18:35:24Z)

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。