画像フォレンジック2026/8/31arXiv:2608.30714

SegWave: ウェーブレット駆動による改ざん領域のセグメンテーション

SegWave: Wavelet-Driven Segmentation of Tampered Regions

画像改ざん検出のためのハイブリッドフレームワークで、空間的特徴と周波数領域の手がかりを組み合わせ、離散ウェーブレット変換と適応サブバンド注意機構を用いて改ざん領域を高精度に特定する。

詳しい要約

1. どんなもの？

SegWaveは、画像改ざん領域の検出と位置特定（セグメンテーション）を行うハイブリッドフレームワークです。空間ドメインと周波数ドメインの手がかりを統合し、transformerベースのアーキテクチャとDiscrete Wavelet Transform (DWT)を組み合わせて、局所的かつマルチスケールな周波数不整合を捉えます。さらに、Adaptive Sub-band Attention module (ASA)を導入し、情報量の多い高周波ウェーブレット成分を動的に強調することで、改ざん領域の位置特定精度を向上させます。

2. 先行研究と比べてどこがすごい？

既存の多くのフォレンジック手法は高レベルの視覚的アーティファクトに依存し、フレーム検出を単純な二値タスクとして扱うのに対し、SegWaveは空間と周波数の両方の手がかりを活用し、セグメンテーションタスクとして扱う点が優れています。また、DWTによるマルチスケールな周波数解析とASAによる適応的なサブバンド選択を組み合わせることで、従来手法よりも局所的な改ざんの検出に強いとされています。

3. 技術・手法の肝は？

手法の核は、transformerベースのアーキテクチャにDWTを統合し、空間特徴と周波数特徴を共同で学習することです。DWTにより画像を異なる周波数サブバンドに分解し、マルチスケールの周波数不整合を捉えます。さらに、ASAモジュールが各サブバンドの重要性を動的に評価し、高周波成分を強調することで、改ざん領域の位置特定を改善します。

4. どうやって有効だと検証した？

複数のベンチマークデータセットを用いた広範な実験により、SegWaveが挑戦的な評価設定において最先端の改ざん検出手法を一貫して上回ることを検証しています。具体的なデータセット名や評価指標は要旨からは不明ですが、既存手法との比較で優位性を示しています。

5. 議論はある？

要旨からは、議論や限界についての具体的な記述は不明です。ただし、周波数ドメインの手がかりに依存するため、改ざんが周波数特性に影響を与えない場合や、圧縮などの後処理によって周波数特性が変化する場合には、性能が低下する可能性が考えられますが、要旨では言及されていません。

6. 次に読むべき論文は？

要旨で参照または比較されている研究は明示されていませんが、同分野の定番として、画像フォレンジックや改ざん検出に関する一般的な手法（例えば、Error Level AnalysisやCopy-Move Forgery Detectionなど）や、transformerベースのセグメンテーションモデル（例えば、SegFormerやSwin Transformerなど）が関連します。また、DWTを用いた周波数解析を組み合わせた研究も参考になります。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Siddhi Pravin Lipare, Vishesh Kumar, Akshay Agarwal

分類: cs.CV

原文アブストラクト

Verifying image authenticity is increasingly difficult, posing serious risks across journalism, law enforcement, and political domains. Most existing forensic methods rely on high-level visual artifacts and treat frame detection as a simple binary task. To address this, we propose SegWave, a hybrid framework that jointly leverages spatial and frequency-domain cues for image tampering detection. SegWave integrates a transformer-based architecture with the Discrete Wavelet Transform (DWT) to capture localized, multi-scale frequency inconsistencies indicative of manipulation. To further improve localization effectiveness, we introduce an Adaptive Sub-band Attention module (ASA) that dynamically highlights the informative high-frequency wavelet components. Extensive experiments on multiple benchmark datasets demonstrate that SegWave consistently outperforms state-of-the-art tampering detection methods in challenging evaluation settings.

arXivで原文を読む →arXiv概要ページ