論文の概要: Detecting AI-Generated Video: A Vision-Language Dual-View Survey
- arxiv url: http://arxiv.org/abs/2607.10787v1
- Date: Sun, 12 Jul 2026 14:25:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.529735
- Title: Detecting AI-Generated Video: A Vision-Language Dual-View Survey
- Title（参考訳）: AI生成ビデオの検出:ビジョンランゲージなデュアルビューサーベイ
- Abstract要約: AI生成ビデオ(AIGC-V)のリアリズムは、低レベルの検査から高レベルのセマンティック検証への移行を必要とする、急速に伝統的なアーティファクト中心である。
本稿では,AIGC-V検出の総合的な調査を行い,その課題をFactual Fidelity Verificationとして再検討する。
既存の手法を階層的で4層的な景観に整理するビジョンランゲージ・デュアルビュー分類法を提案する。
- 参考スコア（独自算出の注目度）: 48.00327016385257
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The evolving realism of AI-generated Videos (AIGC-V) is rapidly rendering traditional artifact-centric detection insufficient, necessitating a paradigm shift from low-level inspection to high-level semantic verification. This paper presents a comprehensive survey of AIGC-V detection, reframing the task as Factual Fidelity Verification, which asks whether the events, entities, and physical processes depicted in a video are consistent with real-world facts. To systematize this rapidly evolving field, we propose a Vision-Language Dual-View taxonomy that organizes existing methods into a hierarchical, four-layer landscape, spanning intrinsic cue analysis, spatiotemporal consistency modeling, cross-modal consistency reasoning, and language-guided world-level reasoning. This dual-view framing highlights a fundamental transition from artifact matching in traditional deepfake detection to evidence-based semantic verification enabled by vision-language models and agentic reasoning pipelines. Based on a systematic review of 221 works, we synthesize AIGC-V generation paradigms, survey the landscape of detection methods, and review evaluation metrics and benchmarks in line with proposed views. Finally, we discuss current challenges and identify promising directions toward robust, explainable, and trustworthy detection.
- Abstract（参考訳）: AI生成ビデオ(AIGC-V)の進化するリアリズムは、従来のアーティファクト中心の検出を不十分にし、低レベルの検査から高レベルのセマンティック検証へのパラダイムシフトを必要としている。
本稿では,映像中の事象,実体,物理過程が実世界の事実と一致しているかどうかを問う,AIGC-V検出の総合的な調査をFactual Fidelity Verificationとして再検討する。
この急速に発展する分野を体系化するために、既存の手法を階層的で4層構造に整理し、固有のキュー解析、時空間整合性モデリング、クロスモーダル整合性推論、言語誘導世界レベルの推論を行うビジョン・ランゲージ・デュアルビュー分類法を提案する。
このデュアルビューフレーミングは、従来のディープフェイク検出におけるアーティファクトマッチングから、視覚言語モデルとエージェント推論パイプラインによって実現されたエビデンスベースのセマンティック検証への根本的な移行を強調している。
221作品の体系的なレビューに基づいて、AIGC-V生成パラダイムを合成し、検出方法の展望を調査し、提案したビューに従って評価指標とベンチマークをレビューする。
最後に、現在の課題について議論し、堅牢で説明可能な、信頼できる検出に向けた有望な方向を特定する。
関連論文リスト
- Unleashing Multimodal Large Language Models for Training-free HOI Detection in the Wild [49.77540427384148]
本稿では,基礎モデルの汎用的マルチモーダル推論能力を野生でのHOI検出に伝達する,訓練不要なエージェント型フレームワークであるAgenHoIを提案する。
不完全な相互作用発見と複雑な場面におけるあいまいな局所化の課題に対処するために,2つの重要なメカニズムを導入する。
AgentHOIは、リアルタイム設定において、最先端の教師付きおよび弱教師付きメソッドよりも優れたパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-07-15T14:30:20Z) - Reasoning-Aware AIGC Detection via Alignment and Reinforcement [55.09684020007737]
REVEALは、分類の前に解釈可能な推論チェーンを生成するフレームワークである。
複数のベンチマークで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-04-21T07:29:55Z) - Unleashing Vision-Language Semantics for Deepfake Video Detection [78.7562836979696]
ディープフェイクビデオ検出(DFD)研究は、事前訓練されたビジョンランゲージモデル(VLM)が、異なるアイデンティティにわたるアーティファクトの検出において強力な一般化能力を示すことを示した。
VLAForgeは、深度検出におけるモデルの識別可能性を高めるために、そのようなクロスモーダルセマンティクスの可能性を解き放つ新しいDFDフレームワークである。
論文 参考訳（メタデータ） (2026-03-25T16:05:35Z) - Hierarchical Vision-Language Interaction for Facial Action Unit Detection [44.02409932746335]
階層型視覚言語によるAU理解手法(HiVA)を提案する。
HiVAは、言語に基づく表現学習を強化するために、多様で文脈的にリッチなAU記述を生成するために、大きな言語モデルを採用している。
実験によると、HiVAは最先端のアプローチを一貫して上回っている。
論文 参考訳（メタデータ） (2026-02-16T03:22:05Z) - REVEAL -- Reasoning and Evaluation of Visual Evidence through Aligned Language [0.1388281922732496]
我々は、この偽造検出の問題を、大規模視覚言語モデルのセマンティックアライメント機能を活用して、プロンプト駆動型視覚推論タスクとして構成する。
本研究では, 画像全体の物理, セマンティクス, パースペクティブ, リアリズムに依存する全体的シーンレベル評価と, 画像を複数の領域に分割して解析する領域ワイド異常検出の2つの手法を提案する。
論文 参考訳（メタデータ） (2025-08-18T00:42:02Z) - GoViG: Goal-Conditioned Visual Navigation Instruction Generation [69.79110149746506]
本稿では,Goal-Conditioned Visual Navigation Instruction Generation (GoViG)を紹介する。
GoViGは生のエゴセントリックな視覚データのみを活用し、目に見えない非構造環境への適応性を大幅に改善する。
論文 参考訳（メタデータ） (2025-08-13T07:05:17Z) - From Prediction to Explanation: Multimodal, Explainable, and Interactive Deepfake Detection Framework for Non-Expert Users [21.627851460651968]
DF-P2E(Deepfake: Prediction to Explanation)は、視覚的、意味的、物語的な説明層を統合して、ディープフェイク検出を解釈し、アクセス可能にする新しいフレームワークである。
現在最も多様なディープフェイクデータセットであるDF40ベンチマークで、フレームワークをインスタンス化し、評価しています。
実験により,Grad-CAMアクティベーションに適合した高品質な説明を提供しながら,競合検出性能を実証した。
論文 参考訳（メタデータ） (2025-08-11T03:55:47Z) - HAMLET-FFD: Hierarchical Adaptive Multi-modal Learning Embeddings Transformation for Face Forgery Detection [6.060036926093259]
HAMLET-FFDは顔偽造検出のためのクロスドメイン一般化フレームワークである。
視覚的証拠と概念的手がかりを統合し、専門家の法医学的分析をエミュレートする。
HAMLET-FFDは設計上、外部プラグインとして機能する全ての事前訓練されたパラメータを凍結する。
論文 参考訳（メタデータ） (2025-07-28T15:09:52Z) - Fooling the Watchers: Breaking AIGC Detectors via Semantic Prompt Attacks [0.0]
テキスト・トゥ・イメージ(T2I)モデルの台頭は、フォトリアリスティックな人間の肖像画の合成を可能にした。
本研究では,自動対向プロンプト生成フレームワークを提案する。
提案手法は,オープンソースのAIGC検出器と商用AIGC検出器の両方を一貫して回避する,多種多様な制御可能なプロンプトを生成する。
論文 参考訳（メタデータ） (2025-05-29T07:31:17Z) - Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。
既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。
本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2023-07-31T10:22:33Z) - NPVForensics: Jointing Non-critical Phonemes and Visemes for Deepfake
Detection [50.33525966541906]
既存のマルチモーダル検出手法は、Deepfakeビデオを公開するために、音声と視覚の不整合をキャプチャする。
NPVForensics と呼ばれる非臨界音素とビセムの相関関係を抽出する新しいディープフェイク検出法を提案する。
我々のモデルは、微調整で下流のDeepfakeデータセットに容易に適応できる。
論文 参考訳（メタデータ） (2023-06-12T06:06:05Z)
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。