論文の概要: Verus-Insight: Towards Explainable Artifact Detection in AI-Generated Videos
- arxiv url: http://arxiv.org/abs/2610.30866v1
- Date: Thu, 22 Oct 2026 07:44:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.27273
- Title: Verus-Insight: Towards Explainable Artifact Detection in AI-Generated Videos
- Title（参考訳）: Verus-Insight:AI生成ビデオにおける説明可能なアーティファクト検出を目指す
- Abstract要約: 人手によるフルプロセスの監視とプログレッシブ能力のトレーニングによって訓練されたVerus-Insightを導入し、きめ細かいアーティファクト検出とビデオレベルの検出の両方を強化する。
実験では、Verus-Insightは、きめ細かいアーティファクト分析とAI生成ビデオ検出の両方で強力なパフォーマンスを達成し、人間の知覚したアーティファクトの回収に大きく貢献する。
- 参考スコア（独自算出の注目度）: 31.942764873351848
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in video generation have made synthetic videos increasingly realistic, placing greater demands on reliable AI-generated video detection. Existing artifact-based detectors typically identify generation artifacts as evidence for source prediction, yet they may either fail to recognize subtle artifacts or reach the correct source decision without faithfully identifying the evidence underlying it. In this work, we systematically investigate how to design and train effective artifact detectors and formulate artifact detection as a structured process comprising three complementary capabilities: Inspection Planning, which determines what should be examined; Evidence Verification, which verifies whether the inspected content exhibits genuine generation artifacts; and Evidence Aggregation, which integrates the verified evidence into the final source decision. Building on this formulation, we introduce Verus-Insight, trained with human-anchored full-process supervision and progressive capability training to strengthen both fine-grained artifact detection and video-level detection. We further introduce Verus-Bench, a benchmark with fine-grained human annotations of perceptible artifacts for evaluating artifact detection. Extensive experiments across diverse benchmarks demonstrate that Verus-Insight achieves strong performance in both fine-grained artifact analysis and AI-generated video detection, with substantial gains in recovering human-perceived artifacts. Further analyses reveal that the three capabilities are complementary yet distinct, and that Verus-Insight more reliably converts relevant inspection targets into supported artifact evidence without increasing spurious artifact claims.
- Abstract（参考訳）: ビデオ生成の最近の進歩により、合成ビデオはますます現実的になり、信頼性の高いAI生成ビデオ検出への需要が高まっている。
既存のアーティファクトベースの検出器は典型的には、生成アーティファクトをソース予測の証拠とみなすが、微妙なアーティファクトを認識したり、その根拠となる証拠を忠実に特定せずに正しいソース決定に達することに失敗する。
本研究は, 有効人工物検出および定式的人工物検出を3つの補完的機能からなる構造化プロセスとして, 検査対象物を決定する検査計画, 検査内容が真生成物を示すかどうかを検証する証拠検証, 証拠を最終ソース決定に統合する証拠収集の3つの方法について, 体系的に検討するものである。
この定式化に基づいて,人手によるフルプロセス監視とプログレッシブ能力訓練によって訓練されたVerus-Insightを導入し,微細なアーティファクト検出とビデオレベルの検出の両方を強化する。
Verus-Benchは、認識可能なアーティファクトの詳細なアノテーションを用いた、アーティファクト検出の評価のためのベンチマークである。
さまざまなベンチマークにわたる大規模な実験により、Verus-Insightは、きめ細かいアーティファクト分析とAI生成ビデオ検出の両方で強力なパフォーマンスを達成し、人間の知覚したアーティファクトを回復する上で大きな成果を上げている。
さらに分析したところ、これら3つの能力は相補的だが、相補的であり、Verus-Insightは関連する検査対象をより確実に支援された人工物証拠に変換し、急激な人工物主張を増大させることなく得ることが明らかになった。
関連論文リスト
- Defake-o3: From Speculative Rationales to Verifiable Evidence for Explainable AIGI Detection [8.599317072232198]
本稿では,AIGI検出器であるDedeake-o3について述べる。
インタラクティブなビジュアル検索と検証対象の証拠のアライメントを組み合わせる。
Defake-o3は検出精度と説明品質の両方を改善する。
論文 参考訳（メタデータ） (2026-08-17T08:30:32Z) - 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) - Artifact-Aware Evaluation for High-Quality Video Generation [29.17912473953817]
本稿では,人間の知覚に影響を及ぼす3つの重要な側面(外見,動き,カメラ)に焦点をあてた総合評価プロトコルを提案する。
ビデオ生成において観察される一般的な生成障害を反映した10の一般的なアーティファクトカテゴリの分類を用いて,これらの軸を定義した。
堅牢なアーティファクト検出と分類を可能にするために,さまざまな最先端のビデオ生成モデルによって生成された80kビデオの大規模データセットであるGenVIDを導入する。
論文 参考訳（メタデータ） (2026-01-28T06:45:14Z) - Unveiling Perceptual Artifacts: A Fine-Grained Benchmark for Interpretable AI-Generated Image Detection [95.08316274158165]
X-AIGDは、低レベルの歪み、高レベルの意味論、認知レベルの反事実など、知覚的アーティファクトのピクセルレベルの分類されたアノテーションを提供する。
既存のAIGI検出器は、最も基本的な歪みレベルであっても、知覚的アーティファクトに依存しない。
モデル注意をアーティファクト領域と明確に整合させることは、検出器の解釈可能性と一般化を高めることができる。
論文 参考訳（メタデータ） (2026-01-27T10:09:17Z) - 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) - BrokenVideos: A Benchmark Dataset for Fine-Grained Artifact Localization in AI-Generated Videos [63.03271511550633]
BrokenVideosは、3,254のAI生成ビデオのベンチマークデータセットで、微妙に注釈付けされたピクセルレベルのマスクが視覚的腐敗の領域を強調している。
実験の結果,BrokenVideosにおける人工物検出モデルの訓練状況とマルチモーダル大言語モデル(MLLM)が,破壊領域のローカライズ能力を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2025-06-25T03:30:04Z) - 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) - Towards A Robust Deepfake Detector:Common Artifact Deepfake Detection
Model [14.308886041268973]
そこで本研究では,コモン・アーティファクト・ディープフェイク検出モデルという新しいディープフェイク検出手法を提案する。
共通アーティファクトの特徴を学習する上での大きな障害は、モデルがアイデンティティ表現機能によって容易に誤解されることである。
本手法は,Implicit Identity Leakageの影響を効果的に低減し,最先端技術よりも大きなマージンで性能を向上する。
論文 参考訳（メタデータ） (2022-10-26T04:02:29Z) - Artificial Fingerprinting for Generative Models: Rooting Deepfake
Attribution in Training Data [64.65952078807086]
光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。
しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。
我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
論文 参考訳（メタデータ） (2020-07-16T16:49:55Z) - VideoForensicsHQ: Detecting High-quality Manipulated Face Videos [77.60295082172098]
偽造検知器の性能は、人間の目で見られる人工物の存在にどのように依存するかを示す。
前例のない品質の顔ビデオ偽造検出のための新しいベンチマークデータセットを導入する。
論文 参考訳（メタデータ） (2020-05-20T21:17:43Z)
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。