論文の概要: Beyond Generator-Specific Shortcuts: Open-World AI-Generated Video Detection via Adversarial Training
- arxiv url: http://arxiv.org/abs/2610.23906v1
- Date: Wed, 30 Sep 2026 04:24:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:38:09.428125
- Title: Beyond Generator-Specific Shortcuts: Open-World AI-Generated Video Detection via Adversarial Training
- Title（参考訳）: ジェネレータ特有のショートカットを超えて - 逆行訓練によるオープンワールドAI生成ビデオ検出
- Abstract要約: FORGE(Gradient-Guided Embedding Perturbation)によるジェネレーター特異的キューの法医学的難読化を提案する。
FORGEは、ジェネレータ固有のショートカットと強く結びついているトークンを識別するが、実際の/フェイク識別には重要ではない。
実験の結果、ForGEは平均92.62F1を達成し、8つの強いベースラインを5.31ポイント上回った。
- 参考スコア（独自算出の注目度）: 14.760295445220605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-generated video (AIGV) detection is increasingly important for mitigating misinformation, impersonation, and other malicious uses of synthetic media, yet existing detectors often generalize poorly to unseen generators in open-world settings. To better understand this challenge, we analyze the failure modes of AIGV detectors under cross-generator out-of-distribution (OOD) shifts and observe that detector representations strongly encode generator-specific cues, which are associated with substantial ID-OOD performance drops. Further analysis shows that naively perturbing generator-sensitive tokens can even reduce OOD performance, indicating that generator-related cues and detection-relevant evidence are only partially separable. Motivated by these findings, we propose Forensic Obfuscation of geneRator-specific cues via Gradient-guided Embedding perturbation (FORGE), a token-aware adversarial training framework for open-world AIGV detection. FORGE identifies tokens that are strongly associated with generator-specific shortcuts yet less critical to real/fake discrimination, and selectively perturbs them during training to suppress generator-dependent patterns while preserving useful forensic evidence. Through synchronized adversarial training between an attacker and a detector, FORGE encourages the detector to learn more transferable generator-invariant forensic representations. Experiments on 29 held-out benchmark entries show that FORGE achieves an average F1 of 92.62, outperforming eight strong baselines by 5.31 points, while also remaining robust under four common post-processing attacks. We will release our code and datasets upon acceptance.
- Abstract（参考訳）: AI生成ビデオ(AIGV)検出は、偽情報、偽造、その他の悪意のある合成メディアの使用を緩和するためにますます重要になっている。
この課題をより深く理解するために, クロスジェネレータ・アウト・オブ・ディストリビューション(OOD)シフト下でのAIGV検出器の故障モードを分析し, 実際のID-OOD性能低下に付随するジェネレータ固有のキューを強くエンコードする検出器表現を観察する。
さらに分析したところ、生成物に敏感なトークンの摂動によってOOD性能が低下することを示し、生成物に関連する手がかりと検出関連証拠が部分的に分離可能であることを示唆している。
本研究の目的は,オープンワールドAIGV検出のためのトークン認識逆行訓練フレームワークであるグラディエントガイド・エンベディング摂動(FORGE)を用いて,ジェネレータ特異的なキューの法医学的難読化を提案することである。
FORGEは、ジェネレータ固有のショートカットと強く関連しているトークンを識別し、実際の/フェイク識別にあまり重要でないトークンを識別し、トレーニング中にそれらを選択的に摂動させ、ジェネレータに依存したパターンを抑えるとともに、有用な法医学的証拠を保存する。
攻撃者と検出器間の同時対向訓練により、ForGEは検出器により伝達可能なジェネレータ不変の法医学的表現を学習するよう促す。
29のホールトアウトベンチマークでの実験では、ForGEは平均92.62のF1を達成し、8つの強力なベースラインを5.31ポイント上回った。
受け入れ次第、コードとデータセットをリリースします。
関連論文リスト
- TIGA: Trajectory-Injected Generative Attack against Black-box AIGC Detectors [76.4118981404995]
Trajectory-Injected Generative Attack (TIGA) は、検出器回避画像を生成する、ソースフリーでトレーニング可能なフリーフレームワークである。
TIGAはDDIM(Laint Denoising Diffusion Implicit Model)の軌道を制御し、生成中に対向特性が出現するようにしている。
TIGAは、共通の後処理操作下で、強力なブラックボックス攻撃性能、転送性、高ロバスト性を実現する。
論文 参考訳（メタデータ） (2026-07-28T15:51:39Z) - 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) - Attribution-Guided Multimodal Deepfake Detection via Cross-Modal Forensic Fingerprints [4.598350938853635]
ビデオの偽造方法を特定することができない検出器は、間違ったシグナルを学習している可能性が高い、と私たちは主張する。
二分検出とは異なり、帰属誘導学習は共有埋め込み空間に強い幾何学的制約を課す。
本稿では,属性検出と属性抽出を共同で学習する属性誘導型マルチモーダルディープフェイク検出フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-29T09:11:13Z) - X-AVDT: Audio-Visual Cross-Attention for Robust Deepfake Detection [17.827028185540467]
微粒な音声・動きのアライメントを符号化した生成系内部のクロスアテンション機構
X-AVDTは、DDIMインバージョンを介してアクセスされたジェネレータ内オーディオ視覚信号をプローブし、これらのキューを公開する。
X-AVDTはMMDF上でのリードパフォーマンスを実現し、外部ベンチマークや目に見えないジェネレータに強く一般化する。
論文 参考訳（メタデータ） (2026-03-09T15:18:42Z) - RADAR: Retrieval-Augmented Detector with Adversarial Refinement for Robust Fake News Detection [50.073924438848316]
本稿では,強靭な偽ニュース検出のための対角補正機能を備えた検索拡張検出器RADARを提案する。
提案手法では,現実の物品を現実の摂動で書き直すジェネレータを用いて,高密度経路探索によるクレームの検証を行う軽量検出器と組み合わせる。
論文 参考訳（メタデータ） (2026-01-07T14:52:15Z) - Rethinking Cross-Generator Image Forgery Detection through DINOv3 [62.80415066351157]
クロスジェネレータ検出は、新しい挑戦フォージェネレータモデルとして登場した。
凍結した視覚基盤モデル、特にDINOv3は、既に強力なクロスジェネレータ検出能力を持っていることを示す。
トレーニング不要なトークンランク戦略を導入し、続いて軽量な線形プローブを用いて、認証関連トークンの小さなサブセットを選択する。
論文 参考訳（メタデータ） (2025-11-27T14:01:50Z) - CINEMAE: Leveraging Frozen Masked Autoencoders for Cross-Generator AI Image Detection [25.84217122259626]
CINEMAEはテキスト検出法の中核となる原則を視覚領域に適用する。
我々は、安定拡散v1.4のみをトレーニングし、GenImageベンチマークの8つの未知のジェネレータに対して95%以上の精度を達成した。
このことは、文脈条件の再構成の不確実性が、AIGC検出のための堅牢で転送可能な信号を提供することを示している。
論文 参考訳（メタデータ） (2025-11-09T11:05:45Z) - Breaking Latent Prior Bias in Detectors for Generalizable AIGC Image Detection [11.907536189598577]
現在のAIGC検出器は、トレーニングに使用される同じジェネレータで生成された画像に対してほぼ完璧な精度を達成するが、目に見えないジェネレータからの出力に一般化するのに苦労する。
検出器は、堅牢な生成アーティファクトを学ぶのではなく、初期ノイズベクトルから発生するパターンに関連するショートカットを学習する。
そこで我々は, 発電機の出力多様体に残る逆数例を生成するオン・マニフォールド・逆数訓練(OMAT)を提案する。
論文 参考訳（メタデータ） (2025-06-01T07:20:45Z) - D$^3$: Scaling Up Deepfake Detection by Learning from Discrepancy [29.919663502808575]
既存の文献は、目に見えない発電機上でのディープフェイク検出の一般化能力を強調している。
この研究は、より一般化と堅牢性のある普遍的なディープフェイク検出システムに向けた一歩である。
論文 参考訳（メタデータ） (2024-04-06T10:45:02Z)
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。