論文の概要: A Generalizable and Explainable Framework for Synthetic Video Detection Using First-Digit Gradient Statistics
- arxiv url: http://arxiv.org/abs/2609.39585v1
- Date: Wed, 30 Sep 2026 12:12:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.667037
- Title: A Generalizable and Explainable Framework for Synthetic Video Detection Using First-Digit Gradient Statistics
- Title（参考訳）: 第一ディジット勾配統計量を用いた合成ビデオ検出のための一般化可能で説明可能なフレームワーク
- Abstract要約: 本稿では,一桁法則で解析したソベル勾配値を用いた新しいAIビデオ検出手法を提案する。
特徴集合が識別信号を持っているにもかかわらず、ゼロショット検出がいかに失敗するかを示す。
- 参考スコア（独自算出の注目度）: 1.688649331005719
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI video generators have not only become harder to detect but are used to generate a diverse set of scenarios from landscapes to street views to animal videos. This creates a problem where CNN-based detectors are effective but offer no insight into their inner workings, while forensics-based detectors are often pretrained for a set scenario or become too complex to derive meaningful insights. We present a novel approach to AI video detection using Sobel gradient values analysed with the first-digit law. Using linear discriminant analysis, we visualise the discriminatory signal, while a multi-layer perceptron is used for classification. The detection method has no generator- or scenespecific features, and the model has no knowledge of container formats, codec, bitrate, or compression artefacts. The model is trained and tested on GenBuster-200K, GenBusterBench, GenVA, FaceForensics++ C23, and CelebDF. We also show how zero-shot detection fails even though the feature set carries a discriminatory signal.
- Abstract（参考訳）: AIビデオジェネレータは、検出が難しくなっただけでなく、風景からストリートビュー、動物ビデオまで、さまざまなシナリオを生成するために使用されている。
これは、CNNベースの検出器が効果的であるが、内部の動作に関する洞察を与えない問題を引き起こす。一方、法医学ベースの検出器は、しばしば特定のシナリオのために事前訓練されるか、あるいは意味のある洞察を導き出すには複雑すぎる。
本稿では,一桁法則で解析したソベル勾配値を用いた新しいAIビデオ検出手法を提案する。
線形判別分析を用いて識別信号を可視化し,多層パーセプトロンを用いて分類する。
検出方法はジェネレータやシーン固有の機能を持たず、モデルにはコンテナフォーマット、コーデック、ビットレート、圧縮アーティファクトに関する知識がない。
このモデルは、GenBuster-200K、GenBusterBench、GenVA、FaceForensics++ C23、CelebDFでトレーニングおよびテストされている。
また,特徴集合が識別信号を持っている場合でも,ゼロショット検出がフェールすることを示す。
関連論文リスト
- Learning Unified Video and Image Representation for Video Face Forgery Detection [49.19035628283472]
既存のビデオ顔偽造検出方法は、偽造ビデオのすべてのフレームが操作されていると仮定する。
ビデオ中の部分的偽造を検出するための微細な監督を行うために,追加の注釈付き画像を利用する新しいフレームワーク UVIF を提案する。
UVIFは、統一エンコーダとマルチタスク学習パラダイムを使用して、ビデオ顔偽造検出の強化のために、顔ビデオと画像を共同でモデル化する。
論文 参考訳（メタデータ） (2026-08-13T10:25:59Z) - V-FIND: Revealing the Intrinsic Forgery Knowledge Encoded in Video Forgery Detectors [64.12551408538918]
偽識別知識は全表現空間に均一に分散されない。
ビデオフォージェリ内在性ニューロン発見フレームワーク(V-FIND)を提案する。
V-FINDは、実際のビデオと偽ビデオの間に顕著な相違を示す重要な層を局在させ、連続して偽識別シグナルを伝達する潜伏型アンカーニューロンを特定する。
論文 参考訳（メタデータ） (2026-08-04T01:41:40Z) - Where Detectors Fail: Probing Generative Space for Generalizable AI-Generated Image Detection [69.6123714120735]
AI生成画像(AIGI)の検出は、検出器が見えないジェネレータに一般化できないことが多いため、依然として難しい。
本稿では, 生成過程の挑戦領域を積極的に探究することで, 検出器の一般化を改善するフレームワーク PROBE を提案する。
論文 参考訳（メタデータ） (2026-05-24T07:15:06Z) - Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
異常検出は通常、一級分類問題として定式化される。
本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
論文 参考訳（メタデータ） (2026-02-13T16:54:12Z) - Seeing What Matters: Generalizable AI-generated Video Detection with Forensic-Oriented Augmentation [31.737159092430108]
我々は、異なる生成的アーキテクチャを研究し、バイアスがなく、障害に対して堅牢で、モデル間で共有される差別的特徴を探索し識別する。
本稿では,ウェーブレット分解に基づく新たなデータ拡張戦略を導入し,より関連する法医学的手がかりを活用するために,特定の周波数関連帯域を置き換える。
本手法は最先端検出器よりも精度が向上し, 非常に最近の生成モデルにおいても優れた結果が得られる。
論文 参考訳（メタデータ） (2025-06-20T07:36:59Z) - Real-Time Anomaly Detection in Video Streams [0.0]
この論文は、Othello社とIASD研究所との間のCIFRE協定の一部である。
目的は、ビデオストリーム内のリアルタイムな危険を検出する人工知能システムを開発することである。
論文 参考訳（メタデータ） (2024-11-29T14:24:33Z) - Video Anomaly Detection using GAN [0.0]
この論文は、このユースケースに対する解決策を提供することを目的としており、監視システム記録の異常な活動に目を通すために人的資源が不要になるようにする。
我々は,新しいGANに基づく異常検出モデルを開発した。
論文 参考訳（メタデータ） (2023-11-23T16:41:30Z) - Visual anomaly detection in video by variational autoencoder [0.0]
オートエンコーダ(autoencoder)は、ボトルネック層と呼ばれる入力の潜在表現を使って入力を再現するように訓練されたニューラルネットワークである。
本稿では,畳み込み型LSTMオートエンコーダと畳み込み型LSTMオートエンコーダの性能の比較を行った。
論文 参考訳（メタデータ） (2022-03-08T06:22:04Z)
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。