Fugu-MT 論文翻訳(概要): Temporal Slice Learning for AI-Generated Video Detection with 400$\times$ Fewer FLOPs

論文の概要: Temporal Slice Learning for AI-Generated Video Detection with 400$\times$ Fewer FLOPs

arxiv url: http://arxiv.org/abs/2610.35148v1
Date: Mon, 26 Oct 2026 10:15:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-27 22:27:13.824821
Title: Temporal Slice Learning for AI-Generated Video Detection with 400$\times$ Fewer FLOPs
Title（参考訳）: 400$\times$低いFLOPを用いたAI生成ビデオ検出のための時間スライス学習
Abstract要約: 我々は、表現の観点からAI生成ビデオ検出を再考する。ビデオ全体をモデル化する代わりに、情報的時間的進化を分離するコンパクトな時間的スライス表現に再構成する。 AI-Artistは、最近の高忠実度ジェネレータのアーティストがキュレーションしたビデオのベンチマークである。
参考スコア（独自算出の注目度）: 53.83563676251817
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Recent advances in generative video models have improved visual realism, making detection increasingly dependent on subtle temporal inconsistencies. However, these signals are weak and spatially localized, while most of the video content is redundant. This creates a fundamental mismatch: existing detectors rely on heavy backbones to model full videos, which leads to high computational cost and limited scalability. In this work, we rethink AI-generated video detection from a representation perspective. Instead of modeling entire videos, we restructure them into compact temporal slice representations that isolate informative temporal evolution. We introduce a lightweight framework using frequency-aware temporal slice consistency learning, where informative spatial rows and columns are aggregated over time to form slice-domain inputs. This reparameterization suppresses redundant appearance while preserving discriminative temporal dynamics, enabling efficient and targeted detection. By constructing slices from both high- and low-frequency regions, our method exposes complementary temporal artifacts, including unstable details and abnormal motion smoothness. We instantiate this idea in a Temporal Slice Consistency Network, which integrates task-driven slice localization, hierarchical positional encoding, and a lightweight Transformer to model cross-slice and cross-frequency dependencies. We further introduce AI-Artist, a new benchmark with artist-curated videos from recent high-fidelity generators, including Seedance and Kling. Experiments on GenVideo and AI-Artist show that our method achieves strong performance while requiring over 400$\times$ fewer model-forward FLOPs and 3.6$\times$ faster model inference than the strong video-based baseline ReStraV (2.9$\times$ faster end to end, including preprocessing), enabling scalable and practical deployment.
Abstract（参考訳）: 生成ビデオモデルの最近の進歩は、視覚リアリズムを改善し、検出は微妙な時間的不整合にますます依存する。しかし、これらの信号は弱く空間的局所化されており、ビデオの内容のほとんどは冗長である。既存の検出器はフルビデオのモデル化に重いバックボーンに依存しており、高い計算コストと限られたスケーラビリティをもたらす。本研究では,AIによる映像検出を表現の観点から再考する。ビデオ全体をモデル化する代わりに、情報的時間的進化を分離するコンパクトな時間的スライス表現に再構成する。本稿では,時間とともに情報的空間列と列を集約してスライスドメイン入力を生成する,周波数対応時間的スライス一貫性学習を用いた軽量フレームワークを提案する。この再パラメータ化は、識別的時間的ダイナミクスを保ちながら冗長な外観を抑え、効率的かつ標的検出を可能にする。高周波数領域と低周波領域の両方からスライスを構成することで,不安定な細部や異常な動きの滑らかさを含む相補的時間的アーティファクトを明らかにする。タスク駆動スライスローカライゼーション,階層的位置符号化,およびクロススライスおよびクロス周波数依存性をモデル化するための軽量トランスフォーマを統合したテンポラルスライス一貫性ネットワークで,このアイデアをインスタンス化する。 AI-Artistは、SeedanceやKlingなど、最近の高忠実度ジェネレータのアーチストがキュレーションしたビデオのベンチマークだ。 GenVideoとAI-Artistの実験によると、我々の手法は400$\times$より少ないモデルフォワードFLOPと3.6$\times$より高速なモデル推論を必要とする一方で、強力なビデオベースベースラインであるReStraV(2.9$\times$より高速なエンド・ツー・エンド(前処理を含む)を実現し、スケーラブルで実用的なデプロイメントを可能にする。

論文の概要: Temporal Slice Learning for AI-Generated Video Detection with 400$\times$ Fewer FLOPs

関連論文リスト