論文の概要: SafeGuard: A Multi-Agent Perception-Reasoning Framework for Social-Risk AI-Generated Video Detection

• arxiv url: http://arxiv.org/abs/2607.03069v1
• Date: Fri, 03 Jul 2026 08:03:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.513457
• Title: SafeGuard: A Multi-Agent Perception-Reasoning Framework for Social-Risk AI-Generated Video Detection
• Title（参考訳）: SafeGuard: ソーシャルリスクAI生成ビデオ検出のためのマルチエージェント知覚推論フレームワーク
• Authors: Wenlin Wu, Sheng Zhou, Peipei Song, Wenhao Wang, Junbin Xiao, Xun Yang,
• Abstract要約: 本稿では,知覚と意味的推論の協調的特殊化を可能にするマルチエージェントフレームワークであるSafeGuardを提案する。 新しいAI生成ビデオ検出ベンチマークであるSafeVidを導入し、身体的妥当性、構造的整合性、社会的行動の合理性を評価する。
• 参考スコア（独自算出の注目度）: 30.634696315154383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As video generation paradigms evolve from localized manipulation to full-scene synthesis, AI-generated video detection becomes increasingly challenging, as forgeries exhibit coherent global structure and high perceptual realism. However, existing benchmarks are biased toward perceptual fidelity and primarily evaluate detectors based on perceptual artifacts, providing limited coverage of scenarios that require reasoning about violations of physical laws, structural coherence, or social logic. This dataset bias shapes current approaches and results in a Perception-Reasoning Gap: artifact-centric models capture low-level statistical irregularities yet lack semantic inference, whereas vision-language models perform semantic reasoning but remain insensitive to fine-grained forensic cues. To bridge this gap, we propose SafeGuard, a multi-agent framework that enables collaborative specialization between forensic perception and semantic reasoning. A hierarchical perceptual solver extracts fine-grained forensic evidence, while a self-reflective verifier enforces consistency between semantic inference and physical plausibility, forming an interpretable evidence chain. To support evaluation, we introduce SafeVid, a novel AI-generated video detection benchmark comprising 20K videos spanning 10 social risk categories, designed to evaluate physical plausibility, structural consistency, and the rationality of social behaviors. Extensive experiments demonstrate the generalization of SafeGuard, improving accuracy on SafeVid by +18.7% and consistently outperforming prior methods across four public benchmarks.
• Abstract（参考訳）: ビデオ生成パラダイムがローカライズされた操作からフルシーン合成へと進化するにつれて、フォージェリーは一貫性のあるグローバル構造と高い知覚的リアリズムを示すため、AIが生成するビデオ検出がますます困難になる。 しかし、既存のベンチマークは知覚的忠実性に偏りがあり、主に知覚的アーティファクトに基づいて検出器を評価し、物理的法則、構造的コヒーレンス、社会論理に関する推論を必要とするシナリオを限定的にカバーしている。 このデータセットバイアスは、現在のアプローチを形作って、パーセプション・推論・ギャップ(Perception-Reasoning Gap)をもたらす: アーティファクト中心のモデルは、低レベルの統計的不規則をキャプチャするが、セマンティック推論を欠いている。 このギャップを埋めるために、法医学的知覚と意味論的推論の協調的な特殊化を可能にするマルチエージェントフレームワークであるSafeGuardを提案する。 階層的知覚的解法は詳細な法学的証拠を抽出し、自己反射的検証器は意味推論と物理的妥当性の整合性を強制し、解釈可能なエビデンス連鎖を形成する。 10の社会的リスクカテゴリにまたがる20Kビデオからなる、新しいAI生成ビデオ検出ベンチマークであるSafeVidを紹介し、身体的妥当性、構造的整合性、社会的行動の合理性を評価する。 大規模な実験はSafeGuardの一般化を実証し、SafeVidの精度を+18.7%改善し、4つの公開ベンチマークで常に先行手法を上回った。

関連論文リスト

• Provably Secure Agent Guardrail [89.79561918065122]
  既存の防衛アーキテクチャは経験的セマンティックガードレールと確率論的大モデル調整器に依存している。 本稿では,論理的推論の基本的制約に基づくエージェントのための新しいセキュリティパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-05-28T02:12:41Z)
• DVAR: Adversarial Multi-Agent Debate for Video Authenticity Detection [32.91820764165758]
  本稿では,ビデオ検出を構造化されたマルチエージェント法定推論プロセスとして再構成する学習自由フレームワークを提案する。 我々はオッカムの『ラザー』を用いて説明コストを定義し、各推論経路の「論理的負担」を定量化する。 我々は、生成境界と障害モードに関する高レベルな推論を提供する動的知識リポジトリであるGenVideoKBを統合する。
  論文  参考訳（メタデータ） (2026-04-18T13:22:42Z)
• SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection [55.54007781679915]
  本稿では,多種多様な視覚的エンコーディングを効率よく融合させ,モデルの微粒化知覚を高めるSynergistic Semantic-Visual Prompting (SSVP)を提案する。 SSVPは、MVTec-AD上で93.0%のImage-AUROCと92.2%のPixel-AUROCで最先端のパフォーマンスを達成し、既存のゼロショットアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-14T04:42:19Z)
• MirGuard: Towards a Robust Provenance-based Intrusion Detection System Against Graph Manipulation Attacks [13.92935628832727]
  MirGuardは、ロジック対応のマルチビュー拡張とコントラスト表現学習を組み合わせた異常検出フレームワークである。 MirGuardは、さまざまなグラフ操作攻撃に対して、最先端の検出器の堅牢性を大幅に上回っている。
  論文  参考訳（メタデータ） (2025-08-14T13:35:51Z)
• Deep Learning Models for Robust Facial Liveness Detection [56.08694048252482]
  本研究では,現代のアンチスプーフィング手法の欠陥に対処する新しい深層学習モデルを用いて,ロバストな解を提案する。 テクスチャ解析と実際の人間の特性に関連する反射特性を革新的に統合することにより、我々のモデルは、顕著な精度でレプリカと真の存在を区別する。
  論文  参考訳（メタデータ） (2025-08-12T17:19:20Z)
• AvatarShield: Visual Reinforcement Learning for Human-Centric Synthetic Video Detection [20.800161778433914]
  人間中心のビデオ生成法は、人体全体を制御可能な動きで合成することができる。 既存の検出方法は、このようなフルボディの合成コンテンツによって引き起こされるリスクの増大をおおむね見落としている。 マルチモーダルな人間中心型合成ビデオ検出フレームワークであるAvatarShieldを提案する。
  論文  参考訳（メタデータ） (2025-05-21T06:43:34Z)
• Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
  敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。 現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。 空間周波数Krawtchouk分解に基づく識別検出器を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:18:59Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)

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。