AIFIND: 構造化要素感知による微細な対齐を可能にした增量フェージフォージェリ検出の解釈

arXiv:2604.16207v1 Announce Type: new アブストラクト：伪造方法が次々と出現しているため、增量フェージフォージェリ検出 (IFFD) は重要なパラダイムへと発展しました。ただし、既存の手法は通常、データリプレイや粗粒度二値的监督に基づいており、これは特徴空間を明示的に制約できず、深刻な特徴のドリフトおよび大規模な忘却を引き起こしています。これを解決するため、AIFIND（Artifact-Aware Interpreting Fine-Grained Alignment for Incremental Face Forgery Detection）を提案しました。これは、意味的アンカーを利用し、增量学習の安定化を図ります。アノマリー・ドライブン・セマンティック・プライア・ジェネレータにより不変の意味的アンカーを具体化し、低レベルのアンマト・クイューから固定された座標系を確立します。これらのアンカーは、アートファクト・プローブ・アテンションを通じて画像エンコーダへ注入され、変動性の高い視覚的特徴を穩定的意味的アンカーと対齐させることを明示的に制約します。アダプティブ・デシジョン・ハルモナイザーは、意味的アンカーの角関係を保つことでクラシファイヤを調和させ、タスクを超えた幾何学的整合性を維持します。複数の增量プロトコルにおける大規模実験により、AIFIND の優位性が検証されました。

arXiv:2604.16207v1 Announce Type: new Abstract: As forgery types continue to emerge consistently, Incremental Face Forgery Detection (IFFD) has become a crucial paradigm. However, existing methods typically rely on data replay or coarse binary supervision, which fails to explicitly constrain the feature space, leading to severe feature drift and catastrophic forgetting. To address this, we propose AIFIND, Artifact-Aware Interpreting Fine-Grained Alignment for Incremental Face Forgery Detection, which leverages semantic anchors to stabilize incremental learning. We design the Artifact-Driven Semantic Prior Generator to instantiate invariant semantic anchors, establishing a fixed coordinate system from low-level artifact cues. These anchors are injected into the image encoder via Artifact-Probe Attention, which explicitly constrains volatile visual features to align with stable semantic anchors. Adaptive Decision Harmonizer harmonizes the classifiers by preserving angular relationships of semantic anchors, maintaining geometric consistency across tasks. Extensive experiments on multiple incremental protocols validate the superiority of AIFIND.