テキスト中心画像フォレンジックのための証拠誘導型検出・位置特定・説明システム

本論文は、ACM Multimedia 2026のGenText-Forensics Challengeに対する解決策を提示する。テキスト中心の画像改ざん（text-centric image manipulation）を検出・位置特定・説明するための、evidence-guided detector-localizer-reasonerシステムを提案する。画像レベルのdetectorが全体の真偽の事前確率を与え、専用のlocalizerが改ざん領域を抽出して空間的根拠とし、MLLMベースのreasonerがこれらの専門家の証拠に基づいて構造化されたフォレンジックレポートを生成する。モジュールはカスケード状の証拠フローで接続され、detectorが後続のlocalizationとpromptingプロセスを制御し、localizerが改ざん応答をgrounding boxに変換し、reasonerはdetectorの決定とlocalized evidenceを統合して最終レポートを生成するように訓練される。

先行研究では、画像フォレンジックは検出、位置特定、説明を個別に扱うことが多く、それらを統合したシステムは少ない。また、AIGCの進歩によりテキスト中心の改ざんが増加しているが、既存手法はこの種の改ざんに特化していない。本手法は、検出・位置特定・説明をエビデンス駆動で統合し、MLLMを利用して説明を生成する点が新しい。さらに、反復的な難易度認識マイニング（iterative difficulty-aware mining）とレポート-マスク整合性後処理（report-mask consistency post-processing）を導入し、位置特定の品質と説明の整合性を向上させている。

技術の肝は、3つのモジュール（detector, localizer, reasoner）をカスケード状に接続し、証拠フローを形成すること。detectorは画像全体の真偽を判定し、その結果に基づいてlocalizerとreasonerの動作を制御する。localizerは改ざん領域をセグメンテーションし、その結果をgrounding boxに変換する。reasonerはMLLMを用いて、detectorの決定とlocalized evidenceを入力として、構造化されたフォレンジックレポートを生成する。また、localizerの品質向上のために、反復的な難易度認識マイニングを導入し、誤検出されやすいサンプルを重点的に学習する。さらに、レポートと予測マスクの整合性を高めるために、report-mask consistency post-processingを適用する。

公式の隠されたテストセット（official hidden test set）で評価し、最終スコア0.638を達成し、チャレンジで2位にランクインした。これにより、提案するevidence-guidedシステムの有効性を検証した。

要旨からは、提案手法の限界や議論についての詳細は不明。ただし、チャレンジで2位であることから、1位の手法との差や、特定のケースでの失敗例などが考えられるが、要旨には記載がない。また、MLLMの使用による計算コストや、説明の正確性に関する議論も考えられるが、要旨からは不明。

要旨で参照されている研究は、GenText-Forensics Challenge自体と、関連するAIGC画像フォレンジックの研究。具体的な論文名は挙げられていないが、同分野の定番として、画像改ざん検出（image forgery detection）、セグメンテーション（tampered region segmentation）、MLLMを用いた説明生成（multimodal explanation）に関する論文が考えられる。次に読むべきは、GenText-Forensics Challengeの公式サイトや、関連するベースライン手法の論文、およびMLLMをフォレンジックに応用した最近の研究。