Fugu-MT 論文翻訳(概要): DF26: We Cannot Tell Fake From Real Anymore

論文の概要: DF26: We Cannot Tell Fake From Real Anymore

arxiv url: http://arxiv.org/abs/2609.07369v1
Date: Mon, 07 Sep 2026 11:44:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-12 00:41:53.586589
Title: DF26: We Cannot Tell Fake From Real Anymore
Title（参考訳）: DF26:フェイクの真相は分からない
Abstract要約: 我々は、AI生成ビデオを検出するための新しいベンチマークであるDF26を紹介する。この研究は、AIが生成するビデオの検出における人間のパフォーマンスと最先端のディープフェイク検出器が、ランダムな確率に近づいたことを示している。
参考スコア（独自算出の注目度）: 2.4629531282150876
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce DF26, a novel benchmark for detecting AI-generated videos containing fully synthetic clips produced by recent text-to-video and image-to-video models. The videos capture single-person public-speaking scenarios, spanning direct-to-camera recordings, official statements, and studio interviews - 271 real and 2,420 synthetic videos generated by seven modern video models. The study on DF26 shows that human performance in detecting AI-generated videos, as well as state-of-the-art deepfake detectors, is close to random chance. Our results highlight the limitations of current evaluation protocols and motivate the need for benchmarks that explicitly measure robustness to modern generative model distribution shifts.
Abstract（参考訳）: DF26は,最近のテキスト・ツー・ビデオモデルと画像・ツー・ビデオモデルによって生成された完全合成クリップを含む,AI生成ビデオを検出するための新しいベンチマークである。ビデオは、カメラと直接録音、公式声明、スタジオのインタビューなど、7つのモダンなビデオモデルによって生成された271のリアルと2,420の合成ビデオを含む、一人称の公的なシナリオを撮影する。 DF26の研究は、AI生成ビデオの検出における人間のパフォーマンスと最先端のディープフェイク検出器が、ランダムな確率に近づいたことを示している。本研究は,現在の評価プロトコルの限界を強調し,現代の生成モデル分布シフトに対するロバスト性を明確に測定するベンチマークの必要性を動機づけるものである。

関連論文リスト

Training-free Detection of Generated Videos via Spatial-Temporal Likelihoods [6.921364920053057]
トレーニング不要で理論上は正当化された検出器であるSTALLを導入し、ビデオの確率に基づくスコアを提供する。我々は,2つの公開ベンチマーク上でSTALLを評価し,最新の生成モデルを用いた新しいベンチマークであるComGenVidを紹介する。
論文参考訳（メタデータ） (2026-03-16T09:26:56Z)
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)
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)
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)
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)
Direct Motion Models for Assessing Generated Videos [38.04485796547767]
ビデオ生成ビデオモデルの現在の制限は、可視的に見えるフレームを生成するが、動きが貧弱であることである。ここでは、妥当な物体の相互作用と動きをよりよく測定する指標を開発することで、FVDを超えていく。画素再構成や動作認識の代わりに点線を用いると、合成データの時間歪みに顕著に敏感な測定結果が得られることを示す。
論文参考訳（メタデータ） (2025-04-30T22:34:52Z)
Neuro-Symbolic Evaluation of Text-to-Video Models using Formal Verification [5.468979600421325]
我々は,新しい合成ビデオ評価指標であるNeuS-Vを紹介する。 NeuS-Vは、ニューロシンボリック形式検証技術を用いて、テキストとビデオのアライメントを厳格に評価する。既存の指標と比較すると,NeuS-Vは5倍以上の相関性を示すことがわかった。
論文参考訳（メタデータ） (2024-11-22T23:59:12Z)
xGen-VideoSyn-1: High-fidelity Text-to-Video Synthesis with Compressed Representations [120.52120919834988]
xGen-SynVideo-1(xGen-SynVideo-1)は、テキスト記述からリアルなシーンを生成することができるテキスト・ツー・ビデオ(T2V)生成モデルである。 VidVAEはビデオデータを空間的にも時間的にも圧縮し、視覚トークンの長さを大幅に削減する。 DiTモデルは、空間的および時間的自己アテンション層を取り入れ、異なる時間枠とアスペクト比をまたいだ堅牢な一般化を可能にする。
論文参考訳（メタデータ） (2024-08-22T17:55:22Z)
Turns Out I'm Not Real: Towards Robust Detection of AI-Generated Videos [16.34393937800271]
高品質なビデオを作成するための生成モデルは、デジタル整合性とプライバシーの脆弱性に関する懸念を提起している。ディープフェイクスのビデオと戦うための最近の研究は、ガン生成サンプルを正確に識別する検出器を開発した。本稿では,複数の最先端(SOTA)生成モデルから合成された映像を検出するための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-06-13T21:52:49Z)
Bidirectional Cross-Modal Knowledge Exploration for Video Recognition with Pre-trained Vision-Language Models [149.1331903899298]
本稿では,双方向の知識を探索するクロスモーダルブリッジを用いた,BIKEと呼ばれる新しいフレームワークを提案する。本研究では,テキスト・トゥ・ビデオの専門知識を用いて時間的サリエンシをパラメータフリーでキャプチャする時間的概念スポッティング機構を提案する。我々の最良のモデルは、リリースしたCLIPモデルを使用して、Kinetics-400の挑戦に対して、最先端の精度88.6%を達成する。
論文参考訳（メタデータ） (2022-12-31T11:36:53Z)

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。