論文の概要: Did You Steal My Shot? Pioneering Camera Motion Plagiarism Detection in Generative Videos

• arxiv url: http://arxiv.org/abs/2609.22267v1
• Date: Tue, 08 Sep 2026 12:40:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.811943
• Title: Did You Steal My Shot? Pioneering Camera Motion Plagiarism Detection in Generative Videos
• Title（参考訳）: あなたは私のショットを盗んだか?ジェネレーティブビデオにおけるピオネリングカメラモーションプラジャリズム検出
• Abstract要約: 我々は、textbf11モーションスタイルと評価プロトコルを備えたモーションデータセットを含む、カメラモーション分析のための最初のベンチマークを構築した。 そこで本研究では,流体力学による光学的流れの増大を図り,運動の捕集性を向上する動き表現を提案する。 実験の結果,我々の検出器は最強のベースライン上での盗作検出においてTextbf3.02*の改善を実現し,生成ビデオに有効であることが確認された。
• 参考スコア（独自算出の注目度）: 3.4161707164978137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Camera motion often reflects directorial intent and requires professional equipment, making it a high value form of intellectual property. However, generative video models can imitate such high value camera motions with simple prompts, while existing similarity detection methods mainly operate on visual content and fail to capture deeper motion similarity. This is mainly because their training data entangles camera motion with visual content. Moreover, traditional optical flow is insufficient to represent complex camera motions. We therefore build the first benchmark for camera motion analysis, including a motion dataset with \textbf{11} motion styles and evaluation protocols. Furthermore, we propose a motion representation that augments optical flow with vorticity cues from fluid dynamics, thereby better capturing motions. Experiments show that our detector achieves a \textbf{3.02*} improvement in plagiarism detection over the strongest baseline and remains effective on generative videos. We believe our work extends copyright protection beyond static content to dynamic camera motion.
• Abstract（参考訳）: カメラの動きは、しばしば監督の意図を反映し、専門的な装置を必要とする。 しかし、生成ビデオモデルは単純なプロンプトでそのような高価値なカメラの動きを模倣することができるが、既存の類似度検出法は主に視覚的内容に依存しており、より深い動きの類似度を捉えることができない。 これは主に、トレーニングデータがカメラの動きを視覚的コンテンツと絡み合わせるためである。 さらに、従来の光学フローは複雑なカメラの動きを表現するには不十分である。 そこで我々は,カメラモーション分析のための最初のベンチマークを構築した。 さらに, 流体力学から渦力による光学的流れを増大させる動きの表現を提案し, より優れた動きを捉える。 実験の結果,我々の検出器は最強のベースライン上でのプラジャリズム検出における「textbf{3.02*}」の改善を実現し,生成ビデオに有効であることが確認された。 私たちの仕事は、静的コンテンツから動的なカメラモーションまで、著作権保護を拡張しています。

関連論文リスト

• VividCam: Learning Unconventional Camera Motions from Virtual Synthetic Videos [58.09854638265381]
  VividCamは、拡散モデルによって合成ビデオから複雑なカメラの動きを学習する訓練パラダイムである。 我々は、驚くほど単純な合成データを用いて、精密に制御された複雑なカメラの動きを広範囲に合成できることを実証した。
  論文  参考訳（メタデータ） (2025-10-28T19:12:22Z)
• MotionAgent: Fine-grained Controllable Video Generation via Motion Field Agent [55.15697390165972]
  テキスト誘導画像-映像生成のための微粒なモーション制御を実現するMotionAgentを提案する。 キーとなる技術は、テキストプロンプトの動作情報を明示的な運動場に変換するモーション・フィールド・エージェントである。 我々はVBenchのサブセットを構築し、テキストと生成されたビデオの動作情報のアライメントを評価する。
  論文  参考訳（メタデータ） (2025-02-05T14:26:07Z)
• MotionStone: Decoupled Motion Intensity Modulation with Diffusion Transformer for Image-to-Video Generation [55.238542326124545]
  静止画像に画像間(I2V)生成を条件付け、動き強度を付加的な制御信号として最近強化した。 これらの動き認識モデルは多様な動きパターンを生成するために魅力的だが、そのようなモデルを野生の大規模ビデオでトレーニングするための信頼性の高い動き推定器は存在しない。 本稿では,映像中の物体とカメラのデカップリング運動強度を計測できる新しい動き推定器の課題に対処する。
  論文  参考訳（メタデータ） (2024-12-08T08:12:37Z)
• Motion Prompting: Controlling Video Generation with Motion Trajectories [57.049252242807874]
  スパースもしくは高密度なビデオ軌跡を条件とした映像生成モデルを訓練する。 ハイレベルなユーザリクエストを,詳細なセミセンスな動作プロンプトに変換する。 我々は、カメラや物体の動き制御、画像との「相互作用」、動画転送、画像編集など、様々な応用を通してアプローチを実証する。
  論文  参考訳（メタデータ） (2024-12-03T18:59:56Z)
• MotionBooth: Motion-Aware Customized Text-to-Video Generation [44.41894050494623]
  MotionBoothは、オブジェクトとカメラの両方の動きを正確に制御して、カスタマイズされた被験者をアニメーションするためのフレームワークである。 オブジェクトの形状や属性を正確に把握するために,テキスト・ビデオ・モデルを効率的に微調整する。 提案手法は,被験者の学習能力を高めるために,被写体領域の損失とビデオ保存損失を示す。
  論文  参考訳（メタデータ） (2024-06-25T17:42:25Z)

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。