論文の概要: Reality Perception Gap: Are AI-Manipulated Video Detectors Ready for the Real World?
- arxiv url: http://arxiv.org/abs/2611.14941v1
- Date: Wed, 11 Nov 2026 02:42:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.988253
- Title: Reality Perception Gap: Are AI-Manipulated Video Detectors Ready for the Real World?
- Title(参考訳): AIで操作するビデオディテクターは現実世界で使えるのか?
- Abstract要約: 本稿では,フロンティアジェネレータと部分合成編集による1万本のビデオのベンチマークである Reality Perception Gap (RPG) を紹介する。
RPGには、犯罪や戦時映像など、社会的に脆弱なコンテンツも含まれている。
RPGは偽陽性率1%で15%以上の偽物を捕まえることはない。
- 参考スコア(独自算出の注目度): 52.08927338065693
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-manipulated video detectors are typically evaluated on clean, curated datasets. In deployment, however, videos have usually passed through repost compression on social-media platforms and sometimes were captured by imperfect hardware. To measure detection under these conditions, we introduce Reality Perception Gap (RPG), a benchmark of 10,000 videos from frontier generators and partially synthetic edits, processed with cross-platform repost compression and paired with real footage that carries camera-side optical artifacts. RPG also includes socially fragile content, such as crime and wartime footage, where fabricated videos can cause severe social harm. Across 18 detectors, none catches more than 15% of fakes at a 1% false-positive rate. A positive control and a re-encoding sweep separate two sources of failure: generator and content shift degrades detectors before any compression, and repost compression erases the low-level traces that the artifact-based detectors relies on. Existing detectors therefore struggle when deployment conditions strip away the generation artifacts they rely on. These complementary failures suggest that robust detection requires training under deployment conditions and combining low-level, temporal, and semantic evidence, where passive detection may have reached its limits.
- Abstract(参考訳): AIが操作するビデオ検出器は典型的には、クリーンでキュレートされたデータセットで評価される。
しかしながら、デプロイメントでは、ビデオは通常、ソーシャルメディアプラットフォームに再投稿圧縮を通し、時には不完全なハードウェアによってキャプチャされる。
これらの条件下での検知を計測するために、フロンティアジェネレータから1万本のビデオと部分的に合成された編集のベンチマークであるReal Perception Gap(RPG)を導入し、クロスプラットフォームのリポスト圧縮で処理し、カメラ側の光学的アーティファクトを運ぶ実際の映像と組み合わせる。
RPGには、犯罪や戦時映像など、社会的に脆弱なコンテンツも含まれている。
18個の検出器で、偽陽性率1%で15%以上の偽物を捕まえる者はいない。
ジェネレータとコンテントシフトは、圧縮前に検出器を劣化させ、再ポスト圧縮は、アーティファクトベースの検出器が依存する低レベルのトレースを消去する。
そのため、既存の検出器は、それらが依存する生成アーティファクトを取り除く際に苦労する。
これらの相補的な失敗は、ロバスト検出にはデプロイメント条件下でのトレーニングと、受動的検出が限界に達した可能性がある低レベル、時間的、意味的な証拠を組み合わせる必要があることを示唆している。
関連論文リスト
- CCDF: A Benchmark Dataset for Deepfake Detection in Real-World Surveillance Footage [15.993861451772508]
商用のビデオ生成ツールは、人間の視聴者と自動ビデオ検出器の両方を騙すことができる、製造された監視映像を作成するために使用できる。
既存のディープフェイクビデオデータセットには、2つの制限がある: 悪意のある活動の映像ではなく、良質なWebコンテンツを強調し、生成システムにおける最近の進歩を表現していない古いまたはオープンソースのジェネレータに依存している。
このデータセットの3つのバージョンをリリースする:生データ、ビデオメタデータを実データと合成サンプル間で標準化するクリーン化バージョン、低効率な後処理攻撃をシミュレートする修正バージョン。
論文 参考訳(メタデータ) (2026-10-06T08:13:10Z) - ManiVid: Unified and Explainable Forensic Analysis of Manipulated Videos [60.4387978957979]
マニヴィッド(ManiVid)は、偽造検出、アーティファクトの接地、操作されたビデオの異常な説明を含む統一的な法医学的分析タスクである。
ManiVid-38Kは、一般的なビデオのローカライズされた操作を、認証ラベル、偽装マスク、異常説明と組み合わせた最初のデータセットである。
ManiVidLensはマルチモーダル推論とビデオセグメンテーションのための低レベルの法医学的証拠を共有している。
論文 参考訳(メタデータ) (2026-09-25T07:51:50Z) - Can We Defend Against AI-Generated Video Attacks on Real-World Crisis Events? A Systematic Evaluation of Detectors, Generators and Social Dissemination [81.00778788481266]
RA-Benchは、Real Videoをアンカーとして使用するAI生成ビデオ検出のベンチマークである。
RA-Benchには17,886本のビデオがあり、10のソーシャルリスクカテゴリーで1,830本のビデオアンカーがある。
3つの検出器ファミリーはいずれもRA-ベンチインスタンス全体にわたって一貫して一般化しない。
論文 参考訳(メタデータ) (2026-08-14T15:32:56Z) - Bridging the Gap: A Framework for Real-World Video Deepfake Detection via Social Network Compression Emulation [45.75248191612314]
このギャップの背後にある重要な要因は、YouTubeやFacebookのようなプラットフォームが適用する攻撃的でプロプライエタリな圧縮だ。
ソーシャルネットワークの動画共有パイプラインをエミュレートする第1のフレームワークを提案する。
我々のアプローチは、研究室ベースのトレーニングとディープフェイク検出器の実際の展開の間のギャップを埋める、スケーラブルで実用的なソリューションを提供する。
論文 参考訳(メタデータ) (2025-08-12T09:11:31Z) - Detecting Deepfake by Creating Spatio-Temporal Regularity Disruption [94.5031244215761]
本稿では,実際のビデオにない「規則性破壊」を識別することで,ディープフェイク検出の一般化を促進することを提案する。
具体的には、空間的・時間的特性を慎重に調べることで、擬似フェイク発生器による実映像の破壊を提案する。
このような手法により,フェイクビデオを使わずにディープフェイク検出が可能となり,よりシンプルかつ効率的に一般化能力を向上させることができる。
論文 参考訳(メタデータ) (2022-07-21T10:42:34Z) - 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。