論文の概要: Retrieval-Driven Training-Free AI-Generated Video Attribution

• arxiv url: http://arxiv.org/abs/2607.28955v1
• Date: Fri, 31 Jul 2026 02:19:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.565289
• Title: Retrieval-Driven Training-Free AI-Generated Video Attribution
• Title（参考訳）: Retrieval-Driven Training-Free AI-Generated Video Attribution
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 24.28021197076691
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-generated videos are becoming increasingly realistic and difficult to distinguish from authentic ones, which facilitates malicious misuse and poses growing threats to cybersecurity and social governance. Attributing AI-generated videos to their specific generative sources is therefore of critical importance for forensic investigation and legal regulation. However, most existing visual attribution methods focus on images and particularly rely on the image generation model, thereby lacking the ability to generalize to large-scale AI-generated video data. To address these limitations, we introduce an training-free AI-generated video attribution paradigm. Specifically, we formulates AI-generated video attribution as an instance retrieval task, and design a generative fingerprint-based pipeline. This pipeline consists of an adapted orthogonal color transformation, multi-scale quantized residual generation, and temporal-semantic aggregation, progressively capturing and integrating artifacts introduced by generative models across video frames. Extensive experiments on the GenVidBench benchmark demonstrate that our method achieves strong performance in both AI-generated video detection and attribution, outperforming existing state-of-the-art methods with a Rank-1 accuracy of 20.5% and a mean Average Precision of 16.6%. The code is at https://github.com/renxi-seu/Video_Attribution.
• Abstract（参考訳）: AI生成ビデオは、悪意のある誤用を助長し、サイバーセキュリティとソーシャルガバナンスに対する脅威が増大する真正なビデオと区別することがますます難しくなっている。 そのため、AI生成した動画を特定の生成源に投稿することは、法医学的な調査と法規制にとって重要なことである。 しかし、既存の視覚属性法の多くは画像に重点を置いており、特に画像生成モデルに依存しているため、大規模なAI生成ビデオデータに一般化する能力が欠如している。 これらの制限に対処するため、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。 具体的には、AI生成ビデオ属性をインスタンス検索タスクとして定式化し、生成指紋ベースのパイプラインを設計する。 このパイプラインは、適応した直交色変換、多スケールの量子化残差生成、時間-セマンティックアグリゲーションで構成され、ビデオフレーム間で生成モデルによって導入されたアーティファクトを段階的にキャプチャし、統合する。 GenVidBenchベンチマークの大規模な実験により、我々の手法はAI生成ビデオの検出と属性の両方において強力な性能を達成し、既存の最先端手法よりも20.5%、平均精度16.6%の精度で性能を向上することを示した。 コードはhttps://github.com/renxi-seu/Video_Attributionにある。

関連論文リスト

• 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)
• 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)
• 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)
• BusterX: MLLM-Powered AI-Generated Video Forgery Detection and Explanation [77.55074597806035]
  GenBuster-200Kは、200Kの高解像度ビデオクリップを備えた、大規模で高品質なAI生成ビデオデータセットである。 BusterXは、マルチモーダル大言語モデル(MLLM)と強化学習を活用した、AI生成のビデオ検出および説明フレームワークである。
  論文  参考訳（メタデータ） (2025-05-19T02:06:43Z)
• GenVidBench: A Challenging Benchmark for Detecting AI-Generated Video [35.05198100139731]
  GenVidBenchは、AIが生成するビデオ検出データセットで、いくつかの重要な利点がある。 データセットには8つの最先端AIビデオジェネレータのビデオが含まれている。 複数の次元から分析され、その内容に基づいて様々な意味カテゴリーに分類される。
  論文  参考訳（メタデータ） (2025-01-20T08:58:56Z)
• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
  RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
  論文  参考訳（メタデータ） (2024-05-30T14:49:54Z)

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。