論文の概要: Dataset Biases and Shortcut Learning in Motion-Based AI-Generated Video Detection
- arxiv url: http://arxiv.org/abs/2607.00948v1
- Date: Wed, 01 Jul 2026 13:47:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.922328
- Title: Dataset Biases and Shortcut Learning in Motion-Based AI-Generated Video Detection
- Title（参考訳）: モーションベースAIによる映像検出におけるデータセットバイアスとショートカット学習
- Abstract要約: 我々は4つの最先端モーションベースAI生成ビデオ検出器の堅牢性と適用性を評価する。
これらの手法では,前処理やサンプリングのバイアスが顕著であり,報告された性能のかなりの部分を占めていることを示す。
すべての検出器に対して、この動きバイアスを含まないデータセットで評価すると、性能がほぼランダムなレベルに低下することを示す。
- 参考スコア（独自算出の注目度）: 0.8092772265574579
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The visual quality of AI-generated videos has improved drastically in recent years, making it increasingly difficult for humans to distinguish between real and synthetic media. In this work, we evaluate the robustness and applicability of four state-of-the-art motion-based AI-generated video detectors. We identify significant preprocessing and sampling biases in these methods and demonstrate that they account for a substantial portion of their reported performance. Furthermore, we find that these detectors are highly sensitive to motion patterns specific to their evaluation datasets, where AI-generated videos generally exhibit less inter-frame movement than real videos. We show that for all detectors, performance collapses to near-random levels when evaluated on a dataset that does not contain this motion bias. Additionally, through dataset rebalancing and the application of simple spatial augmentations, we observe severe performance degradation across all evaluated models. In contrast, we find that an existing frequency-based detector maintains strong performance across all evaluated datasets, suggesting that frequency-based approaches may offer a more generalizable path forward for AI-generated video detection. We hope that our work raises awareness towards these vulnerabilities and encourages the development of more representative, unbiased datasets and more robust evaluation protocols.
- Abstract（参考訳）: 近年、AI生成ビデオの視覚的品質が大幅に向上し、人間がリアルメディアと合成メディアを区別することがますます困難になっている。
本研究では、4つの最先端モーションベースAI生成ビデオ検出器の堅牢性と適用性を評価する。
これらの手法では,前処理やサンプリングのバイアスが顕著であり,報告された性能のかなりの部分を占めていることを示す。
さらに、これらの検出器は、評価データセットに特有の動きパターンに非常に敏感であることがわかった。
すべての検出器に対して、この動きバイアスを含まないデータセットで評価すると、性能がほぼランダムなレベルに低下することを示す。
さらに,データセットの再バランスと簡易空間拡張の適用により,評価されたすべてのモデル間での大幅な性能劣化が観察された。
対照的に、既存の周波数ベースの検出器は、すべての評価されたデータセットに対して強い性能を維持しており、周波数ベースのアプローチは、AI生成のビデオ検出においてより一般化可能なパスを提供する可能性があることを示唆している。
当社の作業がこれらの脆弱性に対する認識を高め、より代表的で偏見のないデータセットとより堅牢な評価プロトコルの開発を促進することを願っています。
関連論文リスト
- SphereVideo: Prototype-anchored Hyperspherical Boundary for Continual AI-generated Video Detection [61.05420454815012]
AI生成ビデオ(AIGV)検出は、実際のビデオとAI生成ビデオとを区別することを目的としている。
実際には、既存のデータに基づいて訓練された検出器は、新しい生成モデルへの一般化に失敗することが多い。
2つの重要な観測結果に基づいてAIGV検出のための新しいフレームワークであるSphereVideoを提案する。
論文 参考訳（メタデータ） (2026-08-02T15:54:54Z) - Preserving Forgery Artifacts: AI-Generated Video Detection at Native Scale [36.51885181895111]
包括的データセットと新しい検出フレームワークを導入する。
まず、最先端の15のオープンソースおよび商用ジェネレータから140Kビデオの大規模なデータセットをキュレートする。
本稿では,Qwen-VL Vision Transformer上に構築された新しい検出フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-06T12:36:08Z) - GV-VAD : Exploring Video Generation for Weakly-Supervised Video Anomaly Detection [6.09434007746295]
ビデオ異常検出(VAD)は、インテリジェント監視などの公共安全アプリケーションにおいて重要な役割を果たす。
本稿では, 意味制御可能な, 物理的に可視な合成ビデオを生成するために, 映像強化弱教師付きVADフレームワークを提案する。
提案するフレームワークは,UCF-Crimeデータセットの最先端手法より優れている。
論文 参考訳（メタデータ） (2025-08-01T04:42:40Z) - Leveraging Pre-Trained Visual Models for AI-Generated Video Detection [54.88903878778194]
ビデオ生成の分野はDeepFakesを超えて進歩し、ジェネリックコンテンツでAI生成ビデオを検出する方法が緊急に必要になった。
本稿では,事前学習した視覚モデルを用いて,実写映像と実写映像を区別する手法を提案する。
提案手法は, 平均90%以上で高い検出精度を達成し, その有効性を裏付けるものである。
論文 参考訳（メタデータ） (2025-07-17T15:36:39Z) - RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。
HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。
我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
論文 参考訳（メタデータ） (2025-07-12T01:58:04Z) - 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) - BrokenVideos: A Benchmark Dataset for Fine-Grained Artifact Localization in AI-Generated Videos [63.03271511550633]
BrokenVideosは、3,254のAI生成ビデオのベンチマークデータセットで、微妙に注釈付けされたピクセルレベルのマスクが視覚的腐敗の領域を強調している。
実験の結果,BrokenVideosにおける人工物検出モデルの訓練状況とマルチモーダル大言語モデル(MLLM)が,破壊領域のローカライズ能力を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2025-06-25T03:30:04Z) - Seeing What Matters: Generalizable AI-generated Video Detection with Forensic-Oriented Augmentation [31.737159092430108]
我々は、異なる生成的アーキテクチャを研究し、バイアスがなく、障害に対して堅牢で、モデル間で共有される差別的特徴を探索し識別する。
本稿では,ウェーブレット分解に基づく新たなデータ拡張戦略を導入し,より関連する法医学的手がかりを活用するために,特定の周波数関連帯域を置き換える。
本手法は最先端検出器よりも精度が向上し, 非常に最近の生成モデルにおいても優れた結果が得られる。
論文 参考訳（メタデータ） (2025-06-20T07:36:59Z) - SEVERE++: Evaluating Benchmark Sensitivity in Generalization of Video Representation Learning [78.44705665291741]
本稿では,現代ビデオの自己教師型モデルの包括的評価について述べる。
ドメインシフト、サンプル効率、アクションの粒度、タスクの多様性の4つの重要な下流因子の一般化に焦点を当てる。
我々の分析は、アーキテクチャの進歩にもかかわらず、トランスフォーマーベースのモデルは下流の条件に敏感であることを示している。
論文 参考訳（メタデータ） (2025-04-08T06:00:28Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳（メタデータ） (2024-11-28T13:04:45Z) - Exposing AI-generated Videos: A Benchmark Dataset and a Local-and-Global Temporal Defect Based Detection Method [31.763312726582217]
生成モデルは、セキュリティ問題を引き起こす現実的なビデオの作成において、大きな進歩を遂げた。
本稿では,先進的な拡散型ビデオ生成アルゴリズムを用いて,様々なセマンティックな内容の映像データセットを構築する。
現在のAI生成ビデオの局所的およびグローバル的時間的欠陥を分析して、偽ビデオを公開するための新たな検出フレームワークを構築する。
論文 参考訳（メタデータ） (2024-05-07T09:00:09Z) - Mitigating Representation Bias in Action Recognition: Algorithms and
Benchmarks [76.35271072704384]
ディープラーニングモデルは、稀なシーンやオブジェクトを持つビデオに適用すると、パフォーマンスが悪くなります。
この問題にはアルゴリズムとデータセットの2つの異なる角度から対処する。
偏りのある表現は、他のデータセットやタスクに転送するとより一般化できることを示す。
論文 参考訳（メタデータ） (2022-09-20T00:30:35Z)
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。