生成AIの急速な進歩により、画像の改ざんは極めてリアルになり、目視では真偽を見分けることが難しくなっている。そのため、信頼できる画像認証システムの必要性が高まっている。しかし、既存のフォレンジック検出器は特定の種類の偽造には対応できるものの、解釈可能性に乏しいという課題がある。一方、視覚言語モデル（VLM）は説明を生成できるが、フォレンジック痕跡を活用して信頼性の高い検出を行うことはできない。この相反する問題に対処するため、論文「Trustworthy Image Authentication using Forensic Knowledge Graphs」は、フォレンジック知識グラフ（Forensic Knowledge Graphs、以下FKG）という統一フレームワークを提案している。これは、フォレンジック証拠の抽出、構造化された推論、そして人間が理解できる説明を一つに統合することを目指すものである。
FKGの中心的な考え方は、フォレンジック痕跡を構造化された形で組織化することにある。この構造は、各種のフォレンジック痕跡そのものだけでなく、痕跡間の因果依存関係や、痕跡とシーン内容との結び付きも符号化する。これにより、システムは判断を下す際にグラフ内の因果連鎖をたどって証拠の出所を追跡でき、ブラックボックス的な出力ではなく、根拠に基づき検証可能な説明を形成できる。正確な知識グラフを生成するため、研究チームは新しいフォレンジック認証ネットワークを設計し、「反復的文脈精緻化」（Iterative Context Refinement）と呼ぶ戦略を導入した。この戦略は、視覚言語モデルが証拠に根ざした忠実な説明を生成するよう導き、モデルが理由を捏造することを防ぐ。
データ面では、著者らはFKG-50Kデータセットを構築・公開した。これには5万枚のリアルな偽造画像が含まれ、各画像には正解となるFKGのアノテーションが付与されている。このデータセットは、知識グラフに基づくフォレンジック手法の訓練と評価の基盤を提供する。実験の結果、FKGは検出、偽造の種類の識別と位置特定、フォレンジック的な根拠提示といった複数のタスクにおいて、従来のフォレンジック検出器や視覚言語モデルのみに頼る手法を上回ることが示された。本論文はECCV 2026で採択・発表され、コンピュータビジョンとパターン認識（cs.CV）分野に属し、2026年6月22日に投稿され、著者はTai D. Nguyen氏らである。
より広い意味では、この研究はディープフェイクが氾濫する状況における「信頼できる認証」への現実的な要請に応えるものである。すなわち、画像が改ざんされたかどうかを判断するだけでなく、なぜそう判断したのかを説明し、偽造がどこで、どの種類で行われたのかを示すことが求められている。フォレンジック痕跡、因果依存関係、シーン意味論を統一的な知識グラフ構造に統合することで、FKGは検出性能と説明の信頼性を両立させる技術的な道筋を提示している。