論文の概要: TRACE: Trajectory Representation and Consistency Estimation for AI-Generated Video Detection
- arxiv url: http://arxiv.org/abs/2609.25775v1
- Date: Tue, 22 Sep 2026 07:11:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.262395
- Title: TRACE: Trajectory Representation and Consistency Estimation for AI-Generated Video Detection
- Title（参考訳）: TRACE:AI生成ビデオ検出のための軌道表現と一貫性推定
- Abstract要約: 事前訓練された生成モデルに対する応答が、より伝達可能な法医学的手がかりを提供するかどうかを検討する。
我々は,AI生成ビデオ検出のための世代プロセス対応フレームワークである textbfTRACE (EmphunderlineTrajectory UnderlineRepresentation underlineand UnderlineEstimation) を提案する。
- 参考スコア（独自算出の注目度）: 20.26710107725441
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in generative video models have enabled the synthesis of visually realistic content, posing significant challenges to synthetic video detection. Existing detectors often rely on appearance artifacts, semantic inconsistencies, and temporal patterns that may be generator-specific, limitating generalization to unseen synthesis models. We investigate whether responses to a pretrained generative model provide more transferable forensic cues. Our key observation is that real and AI-generated videos exhibit distinct \emph{velocity responses} under a pretrained Flow Matching video model. This distinction persists when different pretrained video-generation backbones are used as probes, suggesting that velocity responses offer transferable forensic signals beyond visual artificts. Motivated by this observation, we propose \textbf{TRACE} (\emph{\underline{T}rajectory \underline{R}epresentation \underline{a}nd \underline{C}onsistency \underline{E}stimation}), a generation-process-aware framework for AI-generated video detection. TRACE leverages a pretrained video DiT as a velocity-field probe to extract representations at multiple flow time points, and models cross-frame consistency through velocity differences between adjacent frames. We further introduce a \emph{Real-Centered Trajectory Optimization} objective that encourages generator-invariant representation learning. Extensive experiments on AIGVDBench demonstrate that TRACE generalizes effectively across diverse generators, substantially outperforming prior state-of-the-art methods on unseen open- and closed-source video generation models.
- Abstract（参考訳）: 生成ビデオモデルの最近の進歩は、視覚的にリアルなコンテンツの合成を可能にし、合成ビデオ検出に重大な課題を提起している。
既存の検出器は、しばしば外見上のアーティファクト、意味的不整合、時相パターンに依存しており、ジェネレータ固有のものであり、一般化を目に見えない合成モデルに限定している。
事前訓練された生成モデルに対する応答が、より伝達可能な法医学的手がかりを提供するかどうかを検討する。
私たちのキーとなる観察は、トレーニング済みのFlow Matchingビデオモデルの下で、実ビデオとAI生成ビデオがそれぞれ異なる‘emph{velocity response’を示すことです。
この区別は、異なる事前訓練されたビデオ生成バックボーンがプローブとして使用され、速度応答が視覚アーチファクトを超えて伝達可能な法医学信号を提供することを示唆する。
本稿では,AI生成ビデオ検出のための世代プロセス対応フレームワークであるtextbf{TRACE} (\emph{\underline{T}rajectory \underline{R}epresentation \underline{a}nd \underline{C}onsistency \underline{E}stimation})を提案する。
TRACEは、事前訓練されたビデオDiTを速度場プローブとして利用し、複数のフロータイムポイントでの表現を抽出し、隣接するフレーム間の速度差によるフレーム間の一貫性をモデル化する。
さらに,ジェネレータに不変な表現学習を奨励する目的である 'emph{Real-Centered Trajectory Optimization} も導入する。
AIGVDBenchの大規模な実験により、TRACEは様々なジェネレータにまたがって効果的に一般化され、未確認のオープンソースおよびクローズドなビデオ生成モデルにおいて、最先端の手法よりも大幅に優れていることが示された。
関連論文リスト
- MLLM-Guided Semantic Correction for Text-to-Video Generation [66.7723669725808]
マルチモーダルな大規模言語モデルフィードバックを統合した,トレーニングフリーで解釈可能な中間世代補正フレームワークを提案する。
セマンティック・アセスメント・スーパーバイザ (Semantic Assessment Supervisor) とセマンティック・アセスメント・アシスタント (Semantic Modification Assistant) という,セマンティック・アセスメント・スーパーバイザ (Semantic Assessment Supervisor) の2つの重要なモジュールを提案する。
本手法は, モデルパラメータを変更することなく, セマンティックアライメント, 視覚的忠実度, 時間的一貫性を改善する。
論文 参考訳（メタデータ） (2026-08-17T12:54:10Z) - VidForensics-M1: Meta-Detection Reinforcement Learning with Verifiable Temporal Grounding for AI-Generated Video Forensics [21.438987128589403]
我々は,AIが生成するビデオ検出にtextbfmeta-detectionを導入し,信頼性の高い偽造検出を可能にする。
この知見に基づいて,ペア化されたリアルタイムビデオを生成する自動データ構築パイプラインを提案する。
textbfVidForensics-M1は、検証可能な時間的証拠を利用して、堅牢で一般化可能なAI生成ビデオ検出を実現する。
論文 参考訳（メタデータ） (2026-08-11T17:58:10Z) - STORM: Internalized Modeling for Spatial-Temporal Reasoning in Video-Language Models [81.32710031596591]
ビデオ推論タスクには、動きの追跡、時間順、フレーム全体の視覚状態の進化が必要である。
視覚言語モデル(LVLM)上に構築された既存の手法はしばしば、チェーン・オブ・ソート(CoT)を通じて推論を外部化することでこの問題に対処する。
STORMSは,LVLMに明示的なテキストCoTではなく,有界な連続的な潜在軌道を推論する2段階のフレームワークである。
論文 参考訳（メタデータ） (2026-05-25T16:33:00Z) - ATSS: Detecting AI-Generated Videos via Anomalous Temporal Self-Similarity [44.13741922118129]
異時性自己相似性(ATSS)と呼ばれるAIGVの特異な指紋を同定する。
我々は,この知見を三重相似表現と相互共役融合機構によって活用する多モーダル検出フレームワークATSSを提案する。
ATSSはAP、AUC、ACCの指標で最先端の手法を大幅に上回っている。
論文 参考訳（メタデータ） (2026-04-05T09:10:13Z) - Learning Transferable Temporal Primitives for Video Reasoning via Synthetic Videos [52.00944453189226]
時間的プリミティブをモデルに教えるポストトレーニングフレームワークであるSynRLを紹介する。
時間的理解を短期的原始(速度,方向)と長期的認知的原始に分解する。
単純な幾何学的形状のトレーニングにもかかわらず、SynRLは時間的グラウンド、複雑な推論、一般的なビデオ理解にまたがる15のベンチマークで大幅に改善されている。
論文 参考訳（メタデータ） (2026-03-18T13:10:47Z) - Self-Refining Video Sampling [91.0784344916165]
本稿では,大規模データセットを学習した事前学習ビデオジェネレータを自己精錬機として利用する簡単な方法である自己精錬ビデオサンプリングを提案する。
最先端のビデオジェネレータの実験では、運動コヒーレンスと物理アライメントが大幅に改善された。
論文 参考訳（メタデータ） (2026-01-26T15:22:27Z) - Learning from Next-Frame Prediction: Autoregressive Video Modeling Encodes Effective Representations [53.91818843831925]
NExT-Vidは,新しい自己回帰型視覚生成事前学習フレームワークである。
本研究では,文脈分離型自己回帰予測器を導入し,セマンティック表現をターゲットデコーディングから切り離す。
文脈分離型フローマッチング事前学習により,本手法は強い表現を実現する。
論文 参考訳（メタデータ） (2025-12-24T07:07:08Z) - 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) - Generative Pre-trained Autoregressive Diffusion Transformer [74.25668109048418]
GPDiT(GPDiT)は、自動回帰拡散変換器である。
長距離ビデオ合成における拡散と自己回帰モデリングの強みを統一する。
拡散損失を用いて将来の潜伏フレームを自動回帰予測し、運動力学の自然なモデリングを可能にする。
論文 参考訳（メタデータ） (2025-05-12T08:32:39Z)
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。