論文の概要: ManiVid: Unified and Explainable Forensic Analysis of Manipulated Videos

• arxiv url: http://arxiv.org/abs/2609.30934v1
• Date: Fri, 25 Sep 2026 07:51:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.280193
• Title: ManiVid: Unified and Explainable Forensic Analysis of Manipulated Videos
• Title（参考訳）: ManiVid:操作ビデオの統一的で説明可能な法医学的分析
• Abstract要約: マニヴィッド(ManiVid)は、偽造検出、アーティファクトの接地、操作されたビデオの異常な説明を含む統一的な法医学的分析タスクである。 ManiVid-38Kは、一般的なビデオのローカライズされた操作を、認証ラベル、偽装マスク、異常説明と組み合わせた最初のデータセットである。 ManiVidLensはマルチモーダル推論とビデオセグメンテーションのための低レベルの法医学的証拠を共有している。
• 参考スコア（独自算出の注目度）: 60.4387978957979
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Rapid advances in AI-generated video (AIGV) have increased the risks posed by deceptive video manipulation. Unlike fully synthetic videos, manipulated videos retain most source content and alter only localized regions, making forensic analysis particularly challenging. Existing video forgery research faces two limitations in both data and methodology: (1) High-quality datasets and benchmarks tailored for manipulated videos remain scarce. (2) Multimodal large language models (MLLMs) extend forgery analysis beyond binary classification but struggle to use low-level forensic cues and provide precise pixel-level grounding. Specifically, we introduce ManiVid, a unified forensic analysis task covering forgery detection, artifact grounding, and anomaly explanation for manipulated videos. We construct ManiVid-38K, the first dataset to combine paired, open-vocabulary localized manipulations of general videos with authenticity labels, forgery masks, and anomaly explanations. It comprises about 19K manually verified real-fake video pairs, mostly at 1080P resolution, generated under 2 paradigms with 15 powerful generation models. We sample 1K pairs for ManiVidBench, balanced across six manipulation types and generation models for fair evaluation. We further propose ManiVidLens, a unified framework for explainable video forgery analysis. Its Forensic Evidence Router supplies shared low-level forensic evidence for multimodal reasoning and video segmentation. Its Prompt Distill Module converts grounding states into semantic and geometric prompts and distills spatial priors for mask decoding and full-video propagation. ManiVidLens achieves relative gains over the strongest comparison methods in artifact grounding (+21.1% mIoU; +21.3% J&F) and anomaly explanation (+131.3% ROUGE-L; +9.9% CSS). Its forgery detection remains comparable to dedicated classifiers (0.914 Acc; 0.913 F1).
• Abstract（参考訳）: AI生成ビデオ(AIGV)の急速な進歩は、偽ビデオ操作によるリスクを増大させている。 完全合成ビデオとは異なり、操作されたビデオは、ほとんどのソースコンテンツを保持し、ローカライズされた領域だけを変更するため、特に法医学的分析は困難である。 既存のビデオ偽造研究は、データと方法論の両方に2つの制限に直面している。 2)Multimodal large language model (MLLM) は,二項分類を超えて偽造解析を拡張しているが,低レベルの法医学的手がかりの使用に苦慮し,正確な画素レベルのグラウンドニングを提供する。 具体的には、偽造検出、アーティファクトグラウンド、および操作されたビデオの異常説明を含む統一的な法医学的分析タスクであるManiVidを紹介する。 ManiVid-38Kは,汎用ビデオのオープンな局所的操作と,正当性ラベル,偽マス,異常説明を組み合わせた最初のデータセットである。 ほぼ1080P解像度で、手動で検証された約19Kのリアルタイムビデオペアで構成されており、15の強力な世代モデルを持つ2つのパラダイムの下で生成される。 ManiVidBenchの1Kペアを6種類の操作タイプと生成モデルでバランスをとり、公正な評価を行った。 さらに、説明可能なビデオフォージェリ分析のための統合フレームワークであるManiVidLensを提案する。 その法定証拠ルーターは、マルチモーダル推論とビデオセグメンテーションの低レベルの法定証拠を共有している。 Prompt Distill Moduleは、接地状態を意味的および幾何学的なプロンプトに変換し、マスクの復号化とフルビデオの伝搬のために空間的先行を蒸留する。 ManiVidLensは、アーティファクトグラウンドディング(+21.1% mIoU; +21.3% J&F)と異常説明(+131.3% ROUGE-L; +9.9% CSS)において、最も強い比較方法よりも相対的に向上している。 その偽造検出は、専用分類器 (0.914 Acc; 0.913 F1) に匹敵する。

関連論文リスト

• Multi-Agent Forensic Reasoning for Generalizable Deepfake Video Detection [41.21347360060927]
  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。
  論文  参考訳（メタデータ） (2026-08-07T06:44:14Z)
• When Seeing Is Not Believing -- A Benchmark for Search-Grounded Video Misinformation Detection [21.933691657055075]
  EVID-Benchは、ビデオ誤情報検出のためのベンチマークである。 AI生成、シングルソース編集、マルチソース編集の3つのカテゴリにまたがる9つの操作タイプにまたがる222のビデオで構成されている。 最良のシステムは61.43%のポイントレベルの精度と43.24%のビデオレベルの精度しか達成していないが、AI生成による操作は特に困難である。
  論文  参考訳（メタデータ） (2026-06-02T18:03:35Z)
• Explainable Forensics of Manipulated Segments in Untrimmed Long Videos [50.190474724159465]
  時間的AI生成セグメンテーションの局所化と説明のタスクを定式化する。 多様な操作パターンと豊富なアノテーション信号を備えた12,472の未トリミングビデオからなる大規模ベンチマークであるTASLEを紹介する。 そこで本稿では,MLLMに基づく精密な境界ローカライゼーションと解釈可能な推論のためのリファインメントモジュールと,効率的な長ビデオスキャンのためのバウンダリ感性提案生成モジュールを組み合わせた,粗大な法医学ベースラインであるMSLocを提案する。
  論文  参考訳（メタデータ） (2026-06-01T15:48:38Z)
• 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)
• 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)
• Video Manipulations Beyond Faces: A Dataset with Human-Machine Analysis [60.13902294276283]
  我々は826の動画(413のリアルと413の操作)からなるデータセットであるVideoShamを提示する。 既存のディープフェイクデータセットの多くは、2種類の顔操作にのみ焦点をあてている。 我々の分析によると、最先端の操作検出アルゴリズムはいくつかの特定の攻撃に対してのみ有効であり、VideoShamではうまくスケールしない。
  論文  参考訳（メタデータ） (2022-07-26T17:39:04Z)

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。