論文の概要: GenVideoLens: Where LVLMs Fall Short in AI-Generated Video Detection?
- arxiv url: http://arxiv.org/abs/2603.18625v1
- Date: Thu, 19 Mar 2026 08:44:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-20 17:19:06.039753
- Title: GenVideoLens: Where LVLMs Fall Short in AI-Generated Video Detection?
- Title（参考訳）: GenVideoLens:AIによるビデオ検出でLVLMが不足している場所は?
- Abstract要約: GenVideoLensは、AI生成ビデオ検出におけるLVLM機能の次元的評価を可能にする、きめ細かいベンチマークである。
このベンチマークには、高度に偽造されたAI生成ビデオ400と、15の認証範囲の専門家によって注釈付けされた100のリアルビデオが含まれている。
LVLMは知覚的手がかりにおいて比較的よく機能するが、光学的一貫性、物理的相互作用、時間的因果推論に苦しむ。
- 参考スコア（独自算出の注目度）: 41.69796567933368
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, AI-generated videos have become increasingly realistic and sophisticated. Meanwhile, Large Vision-Language Models (LVLMs) have shown strong potential for detecting such content. However, existing evaluation protocols largely treat the task as a binary classification problem and rely on coarse-grained metrics such as overall accuracy, providing limited insight into where LVLMs succeed or fail. To address this limitation, we introduce GenVideoLens, a fine-grained benchmark that enables dimension-wise evaluation of LVLM capabilities in AI-generated video detection. The benchmark contains 400 highly deceptive AI-generated videos and 100 real videos, annotated by experts across 15 authenticity dimensions covering perceptual, optical, physical, and temporal cues. We evaluate eleven representative LVLMs on this benchmark. Our analysis reveals a pronounced dimensional imbalance. While LVLMs perform relatively well on perceptual cues, they struggle with optical consistency, physical interactions, and temporal-causal reasoning. Model performance also varies substantially across dimensions, with smaller open-source models sometimes outperforming stronger proprietary models on specific authenticity cues. Temporal perturbation experiments further show that current LVLMs make limited use of temporal information. Overall, GenVideoLens provides diagnostic insights into LVLM behavior, revealing key capability gaps and offering guidance for improving future AI-generated video detection systems.
- Abstract（参考訳）: 近年、AI生成ビデオはますます現実的で洗練されたものになっている。
一方、LVLM(Large Vision-Language Models)は、そのようなコンテンツを検出する強力な可能性を示している。
しかし、既存の評価プロトコルは、タスクを二分分類問題として扱うことが多く、全体的な精度などの粗い指標に依存しており、LVLMが成功するか失敗するかについての限られた洞察を与えている。
この制限に対処するために、AI生成ビデオ検出におけるLVLM機能の次元的評価を可能にする、きめ細かいベンチマークであるGenVideoLensを導入する。
このベンチマークには、知覚的、光学的、物理的、時間的キューをカバーする15の真正性ディメンションの専門家によって注釈付けされた、高度に偽造されたAI生成ビデオ400と、100のリアルビデオが含まれている。
本ベンチマークでは,11個の代表的なLVLMを評価した。
我々の分析では明らかな次元的不均衡が明らかである。
LVLMは知覚的手がかりにおいて比較的よく機能するが、光学的一貫性、物理的相互作用、時間的因果推論に苦しむ。
モデルの性能は次元によって大きく異なり、小さなオープンソースモデルは特定の認証方法においてより強力なプロプライエタリモデルを上回ることがある。
時間的摂動実験は、現在のLVLMが時間的情報の利用を制限していることを示している。
全体として、GenVideoLensはLVLMの動作に関する診断的な洞察を提供し、重要な機能ギャップを明らかにし、将来のAI生成ビデオ検出システムを改善するためのガイダンスを提供する。
関連論文リスト
- VideoGAIA: A Benchmark for General AI Assistants on Agentic Video Understanding [73.10050069618302]
VideoGAIAは、汎用人工知能アシスタントのためのエージェントビデオ理解ベンチマークである。
VideoGAIAには、多様で複雑な現実世界のシナリオをカバーする、モデルと人間の共同設計タスクが271個含まれている。
GPT-5.5やKim-K3のようなフロンティアモデルを含む全ての評価されたMLLMは、ビデオGAIAで60%未満の精度を実現している。
論文 参考訳（メタデータ） (2026-08-12T03:24:44Z) - VideoVeritas: AI-Generated Video Detection via Perception Pretext Reinforcement Learning [42.22791607763693]
VideoVeritasは、きめ細かい認識と事実に基づく推論のためのフレームワークだ。
共同知覚選好と知覚Pretext Reinforcement Learningが使用される。
論文 参考訳（メタデータ） (2026-02-09T16:00:01Z) - AI-Generated Video Detection via Perceptual Straightening [10.189379841180285]
本稿では,AI生成ビデオと自然を区別する新しい手法であるReStraVを提案する。
知覚的直交」仮説に着想を得て、モデルの表現領域における時間的曲率と段階的距離を定量化する。
我々の分析によると、AI生成ビデオは実際のビデオと比べて、曲率と距離のパターンがかなり異なる。
論文 参考訳（メタデータ） (2025-07-01T09:04:21Z) - How Important are Videos for Training Video LLMs? [55.965474658745315]
画像のみのトレーニングでは,ビデオLLMの方が時間的推論能力が高いことが示唆された。
本稿では,注釈付き画像のシーケンスと時間的機能に着目した質問を含む簡易な微調整手法を提案する。
これは、現在のモデルによるリアルタイムビデオに見られる豊富な時間的特徴の最適部分利用を示唆している。
論文 参考訳（メタデータ） (2025-06-07T21:32:19Z) - LAVID: An Agentic LVLM Framework for Diffusion-Generated Video Detection [14.687867348598035]
大規模視覚言語モデル(LVLM)は、AI生成コンテンツ検出の新しいツールとなっている。
本稿では,LVLMを用いた新たなai生成ビデオ検出システムであるLAVIDを提案する。
提案するパイプラインは,検出のための明示的な知識ツールのセットを自動的に選択し,自己書換えによって構造を適応的に調整する。
論文 参考訳（メタデータ） (2025-02-20T19:34:58Z) - VideoCogQA: A Controllable Benchmark for Evaluating Cognitive Abilities in Video-Language Models [19.215440092652507]
LVLM(Large Video-Language Models)は、マルチモーダルビデオ理解において有望な結果をもたらす。
これらのモデルが高レベルのタスクに必要な認知能力を持っているか、特に象徴的、抽象的な知覚にかかわっているかは不明だ。
ゲーム環境にインスパイアされたスケーラブルで完全に制御可能なベンチマークであるVideoCogQAを提案する。
プログラムエンジンを介して合成ビデオを生成することで、VideoCogQAは視覚要素、時間的ダイナミクス、タスクの難しさを細かく制御できる。
論文 参考訳（メタデータ） (2024-11-14T00:26:26Z) - MMBench-Video: A Long-Form Multi-Shot Benchmark for Holistic Video Understanding [67.56182262082729]
本稿では,ビデオ理解において大規模視覚言語モデル(LVLM)を厳格に評価するための定量的なベンチマークであるMMBench-Videoを紹介する。
MMBench-VideoにはYouTubeの長いビデオが組み込まれており、フリーフォームの質問を採用し、実用的なユースケースを反映している。
ベンチマークは、慎重に構築された能力の分類に従って人間に注釈を付けることで、モデルの時間的推論スキルを調査するために慎重に作成されている。
論文 参考訳（メタデータ） (2024-06-20T17:26:01Z) - VANE-Bench: Video Anomaly Evaluation Benchmark for Conversational LMMs [64.60035916955837]
VANE-Benchはビデオの異常や矛盾を検出するためのビデオLMMの熟練度を評価するために設計されたベンチマークである。
我々のデータセットは、既存の最先端のテキスト・ビデオ生成モデルを用いて合成された一連のビデオから構成される。
我々は、このベンチマークタスクにおいて、オープンソースとクローズドソースの両方で既存の9つのビデオLMMを評価し、ほとんどのモデルが微妙な異常を効果的に識別するのに困難に直面することを発見した。
論文 参考訳（メタデータ） (2024-06-14T17:59:01Z) - How Good is my Video LMM? Complex Video Reasoning and Robustness Evaluation Suite for Video-LMMs [98.37571997794072]
CVRR-ES(Complex Video Reasoning and Robustness Evaluation Suite)について紹介する。
CVRR-ESは、11種類の実世界のビデオ次元にわたるビデオLMMの性能を包括的に評価する。
我々の発見は、次世代の人間中心AIシステムを構築する上で貴重な洞察を提供する。
論文 参考訳（メタデータ） (2024-05-06T17:59:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。