エージェント型画像フォレンジックの解剖：トリアージ、プロンプティング、証拠仲裁の役割

オープンワールドの画像フォレンジックを対象に、training-freeなagentic frameworkを構築し、specialist detectors、per-detector triage、conflict-aware evidence arbitrationの役割を分解して調べた研究。6つのconfigurationと3つのmultimodal large language model backboneを用い、in-distributionとout-of-distributionの両方でtriage、prompting、reasoning qualityの影響を検証している。

従来のforensic detectorsは単一のmanipulation familyに特化しがちで、open-worldの多様な改ざんに対応しにくい。agentic AIは有望視されるが、どのcomponentが性能を駆動するか、distribution shift下で利点が持続するかは不明だった。本研究はtraining-freeの枠組みでtriage、prompting、reasoningを切り分け、naive detector fusionの高いfalse-positive率を示しつつ、reasoningの強さが支配的要因であることを明らかにした点が新しい。

specialist detectorsを基盤に、per-detector triageで信頼できないevidenceを選別し、conflict-aware evidence arbitrationで矛盾する報告を調停するtraining-freeのagentic framework。6つのconfigurationと3つのmultimodal large language model backboneを比較し、triage、prompting、reasoning qualityの寄与をin-distribution/out-of-distributionで評価する。

6つのconfigurationと3つのmultimodal large language model backboneを用い、in-distributionおよびout-of-distributionデータで性能を比較。naive detector fusionはauthentic imagesで深刻なfalse-positive率を示すこと、triageとpromptingが信頼できないevidenceを除去しdetectorの限界を明示して一貫して性能を改善すること、強いjudgeが弱いjudgeを特にdistribution shift下で大きく上回ることを確認。manipulation recallは全configurationでほぼ飽和。

manipulation recallがほぼ飽和しているため、open-world画像フォレンジックの主な課題はmanipulationの検出そのものではなく、specialized forensic toolsへの信頼をcalibrateし、conflicting evidenceをarbitrateすることにあると議論。naive detector fusionのfalse-positive問題や、reasoningの質が支配的要因である点も議論されている。

要旨では特定の参照論文は明示されていない。関連手法としてagentic AI、multimodal large language model、specialist detectors、triage、evidence arbitration、open-world image forensicsが挙げられる。次に読むべきは、これらの要素を扱う同分野の定番研究（例：multimodal LLMを用いたforensics、agentic detection、detector fusionの信頼性評価）が候補となる。