論文の概要: Moiré Video Authentication: A Physical Signature Against AI Video Generation
- arxiv url: http://arxiv.org/abs/2604.01654v1
- Date: Thu, 02 Apr 2026 05:52:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:10.466293
- Title: Moiré Video Authentication: A Physical Signature Against AI Video Generation
- Title（参考訳）: Moiré Video Authentication:AIビデオ生成に対する物理的な署名
- Abstract要約: ビデオ生成の最近の進歩により、AI合成されたコンテンツは、実際の映像と区別することがますます困難になっている。
実カメラが自然に生成する物理に基づく認証シグネチャを提案するが、生成モデルは忠実に再現できない。
- 参考スコア（独自算出の注目度）: 28.696712855854596
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in video generation have made AI-synthesized content increasingly difficult to distinguish from real footage. We propose a physics-based authentication signature that real cameras produce naturally, but that generative models cannot faithfully reproduce. Our approach exploits the Moiré effect: the interference fringes formed when a camera views a compact two-layer grating structure. We derive the Moiré motion invariant, showing that fringe phase and grating image displacement are linearly coupled by optical geometry, independent of viewing distance and grating structure. A verifier extracts both signals from video and tests their correlation. We validate the invariant on both real-captured and AI-generated videos from multiple state-of-the-art generators, and find that real and AI-generated videos produce significantly different correlation signatures, suggesting a robust means of differentiating them. Our work demonstrates that deterministic optical phenomena can serve as physically grounded, verifiable signatures against AI-generated video.
- Abstract（参考訳）: ビデオ生成の最近の進歩により、AI合成されたコンテンツは、実際の映像と区別することがますます困難になっている。
実カメラが自然に生成する物理に基づく認証シグネチャを提案するが、生成モデルは忠実に再現できない。
カメラがコンパクトな2層格子構造を見る際に生じる干渉縞はモアレ効果を利用する。
モアレ運動不変量(Moiré motion invariant)を導出し、縁位相と格子像変位は視距離と格子構造によらず、光学幾何学的に線形に結合されていることを示す。
検証者は、ビデオから両方の信号を抽出し、相関性をテストする。
我々は、複数の最先端ジェネレータから生成された実撮とAI生成の両方のビデオの不変性を検証し、実撮とAI生成の動画が相互に異なる相関シグネチャを生成することを発見し、それらを識別する堅牢な手段を示唆する。
我々の研究は、決定論的光学現象が、AI生成ビデオに対する物理的に根拠があり、検証可能なシグネチャとして機能することを示した。
関連論文リスト
- Retrieval-Driven Training-Free AI-Generated Video Attribution [24.28021197076691]
特定の生成ソースにAI生成ビデオを投稿することは、法医学的な調査と法的規制にとって重要である。
大規模なAI生成ビデオデータに一般化する,トレーニング不要なAI生成ビデオアトリビューションパラダイムを導入する。
提案手法は,AIによる映像検出と属性の両面で高い性能を達成し,既存の最先端手法を20.5%,平均精度16.6%で上回った。
論文 参考訳（メタデータ） (2026-07-31T02:19:25Z) - Revealing Artifacts via Noise Amplification: A Novel Perspective for AI-Generated Video Detection [25.492080916045012]
AI生成ビデオを検出するために、ノイズ増幅と呼ばれる新しい手法が提案されている。
ノイズ増幅は, 画素レベルの強度向上, 領域レベルの空間増幅, フレームレベルの時間アグリゲーションの3つの側面を組み込むことによって構成される。
実験の結果,我々の単純なアプローチは最先端の手法を著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2026-06-15T14:04:17Z) - Skyra: AI-Generated Video Detection via Grounded Artifact Reasoning [66.51617619673587]
AI生成ビデオにおける人間の知覚可能な視覚的アーティファクトを識別する,特殊な大規模言語モデル(MLLM)であるSkyraを紹介する。
この目的を達成するために、我々は、人間のアノテーションを微粒化した最初の大規模AI生成ビデオデータセットである、Supervised Fine-Tuning (SFT)のためのViF-CoT-4Kを構築した。
次に,モデルの時間的知覚,説明能力,検出精度を体系的に向上する2段階のトレーニング戦略を開発する。
論文 参考訳（メタデータ） (2025-12-17T18:48:26Z) - VHOI: Controllable Video Generation of Human-Object Interactions from Sparse Trajectories via Motion Densification [65.15340059997273]
VHOIは、ビデオにおける現実的な人間とオブジェクトの相互作用を作成するためのフレームワークである。
そこで本研究では,人体と物体の運動だけでなく,身体部分特異的な動特性も識別するために,色エンコーディングを用いた新しいHOI対応動作表現を提案する。
実験は、制御可能なHOIビデオ生成における最先端の結果を示す。
論文 参考訳（メタデータ） (2025-12-10T13:40:24Z) - MoAlign: Motion-Centric Representation Alignment for Video Diffusion Models [50.162882483045045]
本研究では、予め訓練されたビデオエンコーダから非交叉運動部分空間を学習する動き中心アライメントフレームワークを提案する。
この部分空間は、地表面の光学的流れを予測し、真の運動力学を捉えるよう最適化されている。
次に,テキスト間拡散モデルの潜在的特徴をこの新たなサブスペースに整合させ,生成モデルが動きの知識を内部化し,より高機能なビデオを生成することを可能にする。
論文 参考訳（メタデータ） (2025-10-21T19:05:23Z) - 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) - DAVID-XR1: Detecting AI-Generated Videos with Explainable Reasoning [58.70446237944036]
DAVID-Xは、AI生成ビデオに詳細な欠陥レベル、時間空間アノテーションと有理書を組み合わせた最初のデータセットである。
DAVID-XR1は、視覚的推論の解釈可能な連鎖を提供するために設計されたビデオ言語モデルである。
以上の結果から,AI生成ビデオコンテンツの信頼性確認のための説明可能な検出手法が期待できることを示す。
論文 参考訳（メタデータ） (2025-06-13T13:39:53Z) - Video Creation by Demonstration [59.389591010842636]
我々は、条件付き将来のフレーム予測によってラベルなしビデオから学習する自己教師型トレーニングアプローチである$delta$-Diffusionを提案する。
映像基盤モデルと外観ボトルネック設計を併用して,実演映像から動作遅延を抽出し,生成プロセスの条件付けを行う。
実証的に、$delta$-Diffusionは人間の好みと大規模マシン評価の両方の観点から、関連するベースラインを上回っている。
論文 参考訳（メタデータ） (2024-12-12T18:41:20Z) - Solutions to Deepfakes: Can Camera Hardware, Cryptography, and Deep Learning Verify Real Images? [51.3344199560726]
信頼性の高い合成データから実際のデータを分離する手法を確立することが不可欠である。
この文書は、どの画像が本物かを検証するために使用できる検出と暗号に関する既知の戦略を提示することを目的としている。
論文 参考訳（メタデータ） (2024-07-04T22:01:21Z) - How Far are AI-generated Videos from Simulating the 3D Visual World: A Learned 3D Evaluation Approach [46.85336335756483]
Learned 3D Evaluation (L3DE) は、3次元の視覚的品質とコンピテンシーの観点から、現実世界をシミュレートするAI生成ビデオの能力を評価する方法である。
信頼スコアは、3次元視覚的コヒーレンスの観点から、リアルビデオと合成ビデオのギャップを定量化する。
L3DEは、ビデオ生成モデルをベンチマークし、ディープフェイク検出器として機能し、フラグ付き不整合を塗布することでビデオ合成を強化する。
論文 参考訳（メタデータ） (2024-06-27T23:03:58Z) - FakeTransformer: Exposing Face Forgery From Spatial-Temporal
Representation Modeled By Facial Pixel Variations [8.194624568473126]
顔の偽造はあらゆるターゲットを攻撃できるため、個人のプライバシーと財産のセキュリティに新たな脅威をもたらす。
生理的信号の空間的コヒーレンスと時間的一貫性が生成された内容で破壊されるという事実に着想を得て,実ビデオと合成ビデオとを区別できる一貫性のないパターンを見つけ出そうとする。
論文 参考訳（メタデータ） (2021-11-15T08:44:52Z) - Realistic Face Reenactment via Self-Supervised Disentangling of Identity
and Pose [23.211318473026243]
本研究では,大量の未収録映像を自然に再現する自己教師型ハイブリッドモデル(DAE-GAN)を提案する。
提案手法は,2つのデフォーミングオートエンコーダと条件生成の最新の進歩を組み合わせたものである。
実験の結果,再現された画像の良好な品質と,同一性間での顔の動きの伝達の柔軟性が示された。
論文 参考訳（メタデータ） (2020-03-29T06:45:17Z)
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。