論文の概要: Multi-Agent Forensic Reasoning for Generalizable Deepfake Video Detection
- arxiv url: http://arxiv.org/abs/2608.06865v1
- Date: Fri, 07 Aug 2026 06:44:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.380256
- Title: Multi-Agent Forensic Reasoning for Generalizable Deepfake Video Detection
- Title（参考訳）: 一般化可能なディープフェイク映像検出のためのマルチエージェント法理推論
- Abstract要約: 非常にリアルなディープフェイクビデオを作るために 生成人工知能の悪意ある利用は 深刻な倫理的懸念を引き起こす
大規模なディープフェイクビデオデータセットであるFaceVid-Forensics-100Kを紹介する。
このデータセットは、視覚的な観察と検証に一貫性のある法医学的説明の詳細なテキストアノテーションを提供する。
- 参考スコア（独自算出の注目度）: 41.21347360060927
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The malicious use of generative artificial intelligence to create highly realistic deepfake videos raises serious ethical concerns and poses substantial challenges to AI safety. However, existing deepfake video benchmarks provide limited coverage of recent synthesis methods and generally lack reliable fine-grained textual annotations. Meanwhile, conventional detectors and multimodal large language models (MLLMs), whether operating as a single model or relying on a single analytical perspective, often fail to capture subtle forgery artifacts, limiting their generalization to emerging AI-generated methods. To address these limitations, we introduce FaceVid-Forensics-100K, a large-scale deepfake video dataset comprising 100,000 videos and spanning 33 synthesis methods across face swapping, face reenactment, and entire-face synthesis, including recent generators such as Seedance 2.0. The dataset provides fine-grained textual annotations of visual observations and verdict-consistent forensic explanations, automatically synthesized through a multi-model aggregation and conflict-resolution pipeline powered by advanced MLLMs. Building on this benchmark, we propose a multi-agent forensic reasoning framework that employs four specialized domain-expert agents to independently analyze forgery cues from four perspectives: texture, lighting, motion, and physics. A judge agent then reconciles their reports to produce a final prediction together with an explanation. Extensive evaluations on out-of-domain test sets show that, despite being composed entirely of small open-source MLLMs, our framework outperforms all methods including closed-source GPT and Gemini models and ranks first across all reported metrics on this benchmark. The project page is available at https://xavierjiezou.github.io/ARGUS/.
- Abstract（参考訳）: 非常にリアルなディープフェイクビデオを作るために、生成的人工知能の悪意ある利用は、深刻な倫理的懸念を提起し、AIの安全性に重大な課題を提起する。
しかし、既存のディープフェイクビデオベンチマークは、最近の合成方法の限られた範囲を提供し、一般的には信頼性の高い微妙なテキストアノテーションを欠いている。
一方、従来の検出器とマルチモーダル大言語モデル(MLLM)は、単一のモデルとして機能するか、あるいは単一の分析的な視点で機能するかに関わらず、しばしば微妙な偽造品を捕捉できず、その一般化を新たなAI生成手法に限定する。
この制限に対処するために,顔スワップ,顔の再現,顔全体の合成,およびSeedance 2.0などの最近のジェネレータを含む33種類の合成手法を対象とする,大規模なディープフェイクビデオデータセットであるFaceVid-Forensics-100Kを紹介した。
このデータセットは、高度なMLLMをベースとした多モデル集約とコンフリクト分解パイプラインを通じて自動的に合成される、視覚的な観察と予測一貫性のある法学的な説明の詳細なテキストアノテーションを提供する。
このベンチマークに基づいて,4つの専門的ドメインエキスパートエージェントを用いて,テクスチャ,照明,運動,物理の4つの視点から偽の手がかりを独立に分析するマルチエージェント法医学的推論フレームワークを提案する。
その後、審査員は報告を調整し、説明とともに最終的な予測を生成する。
ドメイン外のテストセットに対する大規模な評価は、完全にオープンソースMLLMで構成されているにもかかわらず、我々のフレームワークがクローズドソースGPTやGeminiモデルを含むすべてのメソッドより優れており、このベンチマークで報告されたすべての指標で第1位であることを示している。
プロジェクトページはhttps://xavierjiezou.github.io/ARGUS/で公開されている。
関連論文リスト
- HumanForge: A Human-Centric Deepfake Video Benchmark with Multi-Agent Forgery Rationales [7.669728085259526]
HumanForgeは、統合され、大規模で、マルチパラダイムな人間中心のビデオデータセットである。
Gen2Annoは、ソースプロファイリングからMoEベースの参照分析、クローズループ法医学的検証までの6つの特殊なエージェントをコーディネートし、18K以上の高忠実度ビデオセグメントを生成する。
論文 参考訳（メタデータ） (2026-07-09T17:12:41Z) - GenEraser: Generalizable Video Object Removal via Balanced Text-Mask Guidance and Decoupled Locator-Preserver [107.6554560318856]
GenEraserは、一般化された高忠実度ビデオオブジェクトとエフェクト除去のための新しいフレームワークである。
拡散変換器のマルチモーダル先行をフル活用するために,バイパートテキストガイダンスと組み合わせたMC-MoE(Multi-Conditional Mixture-of-Experts)を導入する。
また、マスクとテキスト条件の相対的優位性を適応的にバランスさせるための学習可能なDeep C'FGのFusion機構を提案する。
論文 参考訳（メタデータ） (2026-05-28T14:58:36Z) - RISE-Video: Can Video Generators Decode Implicit World Rules? [71.92434352963427]
テキスト画像合成(TI2V)の先駆的推論指向ベンチマークであるRISE-Videoを提案する。
RISE-Videoは、8つの厳格なカテゴリにまたがる、細心の注意深い人手によるサンプル467種からなる。
本研究では,LMM(Large Multimodal Models)を利用して人中心評価をエミュレートする自動パイプラインを提案する。
論文 参考訳（メタデータ） (2026-02-05T18:36:10Z) - SynthForensics: A Multi-Generator Benchmark for Detecting Synthetic Video Deepfakes [5.341795386333291]
われわれはSynthForensicsを導入し、人工的なビデオディープフェイクを検知する最初の人間中心のベンチマークを私たちの知る限りで紹介する。
ベンチマークは、アーキテクチャ的に異なる、最先端のオープンソースT2Vモデルの6,815のユニークなビデオで構成されている。
AUCの平均的な性能低下は29.19%で、いくつかの手法はランダムな確率よりも悪く、上位モデルは重い圧縮の下で30ポイント以上低下する。
論文 参考訳（メタデータ） (2026-02-04T16:47:37Z) - Your One-Stop Solution for AI-Generated Video Detection [26.581301251283943]
生成モデリングは 驚くほどリアルな合成ビデオを作ることができます
しかし、この分野の発展を妨げる2つの重要な制限がある。
包括的で代表的なベンチマークであるAIGVDBenchを提案する。
論文 参考訳（メタデータ） (2026-01-16T07:02:06Z) - EDVD-LLaMA: Explainable Deepfake Video Detection via Multimodal Large Language Model Reasoning [58.42596067220998]
ディープフェイクビデオ技術は 芸術的な創造を 促進しただけでなく 偽情報を広めやすくした
従来のディープフェイクビデオ検出手法は、その原則の透明性の欠如や、偽造技術に対処する能力の不足といった問題に直面している。
本稿では,Deepfake Video Detection (EDVD) タスクを提案し,EDVD-LLaMAマルチモーダル推論フレームワークを設計する。
論文 参考訳（メタデータ） (2025-10-18T10:34:05Z) - Semantic Visual Anomaly Detection and Reasoning in AI-Generated Images [96.43608872116347]
AnomReasonは4倍のtextbfAnomAgentのような構造化アノテーションを備えた大規模ベンチマーク
AnomReasonとAnomAgentは、AI生成画像の意味的妥当性の測定と改善の基盤となっている。
論文 参考訳（メタデータ） (2025-10-11T14:09:24Z) - 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) - 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) - 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) - 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)
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。