🔥 今日值得一读
AI生成视频检测新突破：FORGE框架在29个基准上F1达92.62，领先8大基线5.31分！
Beyond Generator-Specific Shortcuts: Open-World AI-Generated Video Detection via Adversarial Training
👨💼 主理人解读 · 为什么值得关注
解决换一个生成器检测就失效的问题，可用于构建更鲁棒的合成视频鉴伪系统。
📖 AI 总结
该研究针对AI生成视频检测器在开放世界中泛化能力差的问题，分析了跨生成器分布偏移下的失效模式，发现检测器表征强烈编码了生成器特有的线索，导致域内与域外性能显著下降；进一步分析表明，简单扰动生成器敏感token反而会降低域外性能，说明生成器相关线索与检测相关证据只能部分分离。基于此，作者提出FORGE框架，通过梯度引导的嵌入扰动识别与生成器捷径强相关但对真伪判别不太关键的token，并在训练中选择性扰动这些token，配合攻击者与检测器的同步对抗训练，促使检测器学习更具迁移性的生成器不变取证表征。在29个留出基准条目上，FORGE平均F1达92.62，超过八个强基线5.31分，并在四种常见后处理攻击下保持稳健。
🔑 关键词速览
| AI-generated video (AIGV) detection | 检测视频是否由人工智能生成的技术，用于识别合成媒体。 |
| Out-of-distribution (OOD) shifts | 测试数据分布与训练数据分布不一致的情况，此处特指跨生成器差异。 |
| Generator-specific shortcuts | 检测器过度依赖的、与特定生成器相关的虚假线索，而非真正的真伪证据。 |
| Adversarial training | 通过对抗性扰动训练模型以提高鲁棒性和泛化能力的机器学习方法。 |
| FORGE | 本文提出的框架，通过梯度引导嵌入扰动混淆生成器特定线索，实现开放世界AIGV检测。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅