論文の概要: Synthetic Realities: Evaluating Human Ability to Distinguish AIGenerated Videos from Real Footage

• arxiv url: http://arxiv.org/abs/2611.01990v1
• Date: Sun, 01 Nov 2026 15:26:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-12 13:36:32.831126
• Title: Synthetic Realities: Evaluating Human Ability to Distinguish AIGenerated Videos from Real Footage
• Title（参考訳）: 人工現実:リアルフットプリントからAI生成した映像を識別する人間の能力を評価する
• Abstract要約: 人間の検出精度を3つのテーマの文脈内で3つのAI生成技術で比較する。 87名の参加者が「リアル」対「AI生成」で全てのクリップを判定した。 最も正確に認識された画像(79%)、実際の映像(64%)、露光(49%)、テキスト・トゥ・ビデオ(43%)が続く。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in generative AI have enabled multiple pathways for high-fidelity video synthesis: text-to-video, image-to-video animation, and video outpainting. Empirical side-by-side evaluations of how untrained viewers perceive and distinguish these outputs from real footage remain scarce. In this study, we systematically compare human detection accuracy across these three AI generation techniques within three thematic contexts: historical footage, film and media content, and natural environments. We constructed a balanced stimulus set comprising equal amounts of real and AI-generated videos (18 each). The AI clips were evenly distributed across the three generation methods using Google's Veo 3, Lightricks LTX Video, and Wan VACE. All videos were produced and standardized within the ComfyUI framework to ensure consistent quality and duration. 87 participants judged every clip in a binary forced-choice task ("real" vs. "AI-generated"). Participants correctly identified videos 60% of the time on average. Image-to-video clips were recognized most accurately (79%), followed by real footage (64%), outpainting (49%), and text-to-video (43%). Accuracy also varied by theme: film and historical scenes yielded higher detection rates than environmental clips, which were frequently mistaken for AI. Logistic regression confirmed significant effects of both technique and theme as well as their interaction (p < 0.001), indicating that detection success depends jointly on how the content was generated and what it depicts. Findings reveal a consistent bias toward assuming synthetic origins and highlight that perceptual realism in AI video is shaped more by context than by model type, underscoring the importance of media-literacy approaches and context-aware evaluation tools for navigating increasingly synthetic visual media.
• Abstract（参考訳）: 生成AIの最近の進歩は、テキスト・トゥ・ビデオ、画像・トゥ・ビデオアニメーション、ビデオ・アウトパインティングといった、高忠実なビデオ合成のための複数の経路を可能にしている。 未学習の視聴者が実際の映像からこれらのアウトプットをどう認識し、区別するかに関する実証的な側面評価は依然として不十分である。 本研究では、歴史的映像、映画、メディアコンテンツ、自然環境という3つのテーマの文脈において、これらの3つのAI生成技術に対して、人間の検出精度を体系的に比較する。 また,同量の実・AI生成ビデオ(18件)からなるバランスの取れた刺激セットを構築した。 AIクリップは、GoogleのVeo 3、Lightricks LTX Video、Wan VACEを使用して、3世代のメソッドに均等に分散された。 すべてのビデオは、一貫性のある品質と持続時間を保証するために、ComfyUIフレームワーク内で作成および標準化された。 87名の参加者が2進的強制選択作業("real" vs. "AI生成")で全てのクリップを判定した。 参加者は平均してビデオの60%を正しく識別した。 画像とビデオのクリップが最も正確に認識され(79%)、続いて実際の映像(64%)、露光(49%)、テキストとビデオ(43%)が続いた。 映画や歴史的なシーンは、環境のクリップよりも高い検出率を示し、しばしばAIと間違えた。 ロジスティック回帰は、技法とテーマと相互作用の双方に有意な影響が認められ (p < 0.001) 、検出成功は、その内容がどのように生成されたか、その描写にどう影響するかに共同して依存することを示した。 AIビデオにおける知覚的リアリズムは、モデルタイプよりもコンテキストによって形作られており、メディアリテラシーアプローチと、ますます合成されたビジュアルメディアをナビゲートするためのコンテキスト対応評価ツールの重要性が強調されている。

関連論文リスト

• Retrieval-Driven Training-Free AI-Generated Video Attribution [24.28021197076691]
  特定の生成ソースにAI生成ビデオを投稿することは、法医学的な調査と法的規制にとって重要である。 大規模なAI生成ビデオデータに一般化する,トレーニング不要なAI生成ビデオアトリビューションパラダイムを導入する。 提案手法は,AIによる映像検出と属性の両面で高い性能を達成し,既存の最先端手法を20.5%,平均精度16.6%で上回った。
  論文  参考訳（メタデータ） (2026-07-31T02:19:25Z)
• Artifact-Bench: Evaluating MLLMs on Detecting and Assessing the Artifacts of AI-Generated Videos [39.53238043542789]
  Artifact-Benchは、AI生成ビデオアーティファクトの検出と分析におけるMLLMの評価のための包括的なベンチマークである。 まず,本研究では,フォトリアリスティック,アニメーション,CGスタイルの映像を網羅した,リアリズムアーティファクトの3階層的階層分類を構築した。 Artifact-Bench氏はこの分類に基づいて、3つの補完的なタスクを定義している。
  論文  参考訳（メタデータ） (2026-05-18T18:04:54Z)
• 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)
• Generative Ghost: Investigating Ranking Bias Hidden in AI-Generated Videos [106.5804660736763]
  ビデオ情報検索は、ビデオコンテンツにアクセスするための基本的なアプローチである。 我々は,検索モデルがアドホックや画像検索タスクにおいて,AI生成コンテンツに好適であることを示す。 我々は、ビデオ検索に挑戦する文脈において、同様のバイアスが出現するかどうかを考察する。
  論文  参考訳（メタデータ） (2025-02-11T07:43:47Z)
• How Far are AI-generated Videos from Simulating the 3D Visual World: A Learned 3D Evaluation Approach [46.85336335756483]
  Learned 3D Evaluation (L3DE) は、3次元の視覚的品質とコンピテンシーの観点から、現実世界をシミュレートするAI生成ビデオの能力を評価する方法である。 信頼スコアは、3次元視覚的コヒーレンスの観点から、リアルビデオと合成ビデオのギャップを定量化する。 L3DEは、ビデオ生成モデルをベンチマークし、ディープフェイク検出器として機能し、フラグ付き不整合を塗布することでビデオ合成を強化する。
  論文  参考訳（メタデータ） (2024-06-27T23:03:58Z)
• 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。