論文の概要: AI or Real: Detecting Partially Altered Videos Under Resource-Constrained Environments
- arxiv url: http://arxiv.org/abs/2609.20263v1
- Date: Tue, 28 Jul 2026 20:26:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.648833
- Title: AI or Real: Detecting Partially Altered Videos Under Resource-Constrained Environments
- Title（参考訳）: AIかリアルか:資源に制約のある環境下で部分的な動画を検知する
- Abstract要約: 顔検出前処理を使わずにエッジハードウェア上に展開するために設計された,部分操作のAI生成ビデオのための軽量フルフレーム検出器を提案する。
このシステムは、DINOv2ベースの教師を凍結したMobileNetV3-Small学生に、温度アニールされたソフトラベル転送、注意多様性の正規化、フレームレベルの監督、残像アダプタを組み合わせたパイプラインを通じて蒸留する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The proliferation of generative video models has shifted the practical detection threat from fully fabricated clips to partially manipulated footages. Although modern detectors achieve strong accuracy using foundation backbones of 400M+ parameters, their resource footprint precludes edge deployment. In this paper, we present a lightweight full-frame detector for partially manipulated AI-generated video, designed for deployment on edge hardware without face-detection preprocessing. The system distills a DINOv2-Base teacher into a frozen MobileNetV3-Small student through a pipeline that combines temperature-annealed soft-label transfer, attention-diversity regularization, frame-level supervision, and a residual feature adapter that conditions ImageNet features for artifact detection. We additionally target two failure modes specific to the partial-manipulation regime: false positives on legitimate scene cuts, addressed through within-video temporal hard negatives; and threshold-level miscalibration on the dominant pure-real class, addressed through calibration-aware sampling. Evaluation on a 55,393-sample spliced test set across fake-frame ratios from 6.2% to 31.2% demonstrates the student model closing 58% of the gap to the DINOv2-Base teacher (AUC 0.766) while running at 3.65 ms per 16-frame clip on RTX A4000 with a 150.4 MB checkpoint compatible with edge-device memory and latency budgets.
- Abstract（参考訳）: 生成ビデオモデルの普及により、完全に製作されたクリップから部分的に操作された映像へと、実用的な検出の脅威がシフトした。
現代の検出器は400M+パラメータの基礎バックボーンを使用して高い精度を達成しているが、それらのリソースフットプリントはエッジの展開を妨げている。
本稿では,顔検出前処理を使わずにエッジハードウェア上に展開可能な,部分操作型AI生成ビデオのための軽量フルフレーム検出器を提案する。
このシステムは、DINOv2ベースの教師を凍結したMobileNetV3-Smallの学生に、温度アニールされたソフトラベルの転送、注意多様性の正則化、フレームレベルの監督、そして人工物検出のためにImageNetの機能を条件付ける残像アダプタを組み合わせたパイプラインを通じて、冷凍するMobileNetV3-Smallの学生に蒸留する。
また,シーンカットにおける偽陽性,ビデオ内時間的強陰性への対処,キャリブレーション・アウェア・サンプリングによる支配的純粋現実クラスに対する閾値レベルの誤判定の2つの障害モードも対象とした。
55,393サンプルスプリシングテストセットの評価では、6.2%から31.2%の偽フレーム比で、学生モデルはDINOv2ベース教師(AUC 0.766)とのギャップの58%を閉じ、RTX A4000の16フレームクリップあたり3.65msで、エッジデバイスメモリとレイテンシーの予算に互換性のある150.4MBのチェックポイントで実行している。
関連論文リスト
- ZYT-World: A Real-Time Controllable World Model for Closed-Loop Autonomous-Driving Simulation [33.667474697714255]
ZYT-Worldは、視野 > 180 の4つの魚眼ビューと3つのピンホールビューを生成する単一のアーキテクチャである。
推論エンジンはデコード、バックボーン、インクリメンタル実行コストを削減します。
内部の多視点テストセットでは、ワンステップモデルは教師のPSNRとSSIMの90%以上を保持する。
論文 参考訳（メタデータ） (2026-09-18T12:49:01Z) - Can We Defend Against AI-Generated Video Attacks on Real-World Crisis Events? A Systematic Evaluation of Detectors, Generators and Social Dissemination [81.00778788481266]
RA-Benchは、Real Videoをアンカーとして使用するAI生成ビデオ検出のベンチマークである。
RA-Benchには17,886本のビデオがあり、10のソーシャルリスクカテゴリーで1,830本のビデオアンカーがある。
3つの検出器ファミリーはいずれもRA-ベンチインスタンス全体にわたって一貫して一般化しない。
論文 参考訳（メタデータ） (2026-08-14T15:32:56Z) - Video-DeepResearch: Towards the Next-Generation Multimodal Deepresearch Agent [81.19460113054048]
Video-DRは、ステージワイドツールアンロックを備えた分離された知覚時間パイプラインを備えている。
当社のフレームワークでは,教師付き微調整とグループ相対ポリシー最適化という2段階のトレーニングレシピを採用しています。
実験の結果,ビデオ検索DeepB-A3Bでは64.0%の精度で新たな最先端技術が確立された。
論文 参考訳（メタデータ） (2026-08-04T17:45:16Z) - A Multi-Task Deep Learning Framework for Real-Time Intelligent Video Surveillance with Temporal Event Validation [0.0]
本稿では,顔認識,ナンバープレート認識,武器検出,火災・煙検知,人間の行動認識を同時に行うマルチタスク深層学習フレームワークを提案する。
連続ビデオの堅牢性を改善するため、全ての検出モジュールは時間的イベントバリデーションアーキテクチャに統合される。
その結果,コモディティハードウェア上では,フレーム毎のレイテンシが100ミリ秒未満のリアルタイム動作が維持されていることがわかった。
論文 参考訳（メタデータ） (2026-07-03T09:20:58Z) - EdgeZSAD: Practical Zero-Shot Anomaly Detection on Edge Devices [0.0]
産業検査には、エッジデプロイメント制約の下でも有用であるゼロショット異常検出(ZSAD)が必要である。
We study this regime through EdgeZSAD, a compact reference system built around a TinyViT-21M-512 backbone。
ソーストレーニングされたターゲット不明のプロトコルで1つのチェックポイントをトレーニングし、6つの産業ベンチマークで評価する。
論文 参考訳（メタデータ） (2026-06-15T02:17:46Z) - Early Failure Detection and Intervention in Video Diffusion Models [26.52125777621677]
遅延T2V拡散モデルに対する早期故障検出と診断介入パイプラインを提案する。
検出のために,リアルタイム検査(RI)モジュールを設計し,ラテントを中間映像プレビューに変換する。
CogVideoX-5BとWan2.1-1.3Bの実験では、VBenchでは最大2.64倍の時間オーバーヘッドで一貫性が向上した。
論文 参考訳（メタデータ） (2026-03-15T10:32:41Z) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳（メタデータ） (2023-09-22T06:19:11Z) - SVFormer: Semi-supervised Video Transformer for Action Recognition [88.52042032347173]
SVFormerは、未ラベルの動画サンプルに対処するために、安定した擬似ラベルフレームワークを採用する。
さらに,ビデオの複雑な時間変動をカバーするための時間ゆらぎを提案する。
特にSVFormerは、Kinetics-400の1%のラベル付け率でトレーニングエポックを減らし、最先端の技術を31.5%上回っている。
論文 参考訳（メタデータ） (2022-11-23T18:58:42Z) - Spatiotemporal Contrastive Video Representation Learning [87.56145031149869]
ラベルのないビデオから視覚的表現を学習するための,自己指導型コントラスト映像表現学習(CVRL)法を提案する。
我々の表現は、コントラスト時間的損失を用いて学習され、同じ短いビデオから2つの強化されたクリップが埋め込み空間にまとめられる。
本研究では,ビデオ自己教師型学習におけるデータ向上の要因について検討し,空間的情報と時間的情報の両方が重要であることを明らかにする。
論文 参考訳（メタデータ） (2020-08-09T19:58:45Z)
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。