GIFTBench：画像偽造位置推定における汎化性能の診断とモデル設計への指針

画像偽造位置特定（Image Forgery Localization, IFL）の汎化性能を診断するためのベンチマーク「GIFTBench」を提案。 - 115,013枚の操作済み画像とピクセル単位アノテーションから構成。 - manipulation source、semantic target、editing operation、composition complexity の4軸をカバー。 - 軸ごとの転移分析と12の外部データセットでの評価をサポート。 - 診断結果に基づき、検出・位置特定フレームワーク「ForenScope」も開発。

既存のIFLベンチマークは操作条件が限定的、またはクロスデータセット評価で複数要因が絡み合う問題があった。 - GIFTBenchは多軸設計により、集約性能では見えない汎化の内訳を診断可能。 - 従来データセットより広範な訓練分布を提供し、評価ツール兼訓練リソースとして機能。 - 代表的なlocalizerをGIFTBenchで訓練すると外部データセットへの集約転移が一貫して改善。

GIFTBenchの設計とForenScopeのアーキテクチャが肝。 - GIFTBench：manipulation source、semantic target、editing operation、composition complexityの4軸で115,013画像を体系化。 - ForenScope：classification-adapted representations、multi-depth・multi-scale spatial features、learned layer fusion、selective coarse-scale conditioningを組み合わせた検出・位置特定フレームワーク。 - 診断結果をモデル設計に反映。

GIFTBench上での診断研究と12の外部データセットでの評価を実施。 - 非対称なcross-source transfer、recall支配の失敗、semantic・operational・compositional変化にわたる異種劣化を明らかに。 - 代表的なlocalizerをGIFTBenchで訓練し、外部データセットへの集約転移改善を確認。 - ForenScopeはクロスデータセット位置特定を改善しつつ、画像レベル検出能力を維持。

GIFTBenchの診断から、IFLの汎化失敗がrecall支配であること、cross-source転移が非対称であること、semantic・operational・compositional変化で劣化が異質であることを議論。 - ベンチマークが評価だけでなく訓練リソースとして有効である点も示す。 - 具体的な限界や今後の課題は要旨からは不明。

要旨で参照・比較されている研究は明示されていない。 - 関連手法として、代表的なIFL localizer（例：ManTra-Net、SPAN、CAT-Netなど）や、cross-dataset評価を行う既存ベンチマーク（例：CASIA、Coverage、Columbia、NIST16など）を次に読む候補として挙げる。 - ただし要旨に具体的な論文名の記載はないため、同分野の定番を一般名で示す。