Exposing AI-generated Videos: A Benchmark Dataset and a Local-and-Global Temporal Defect Based Detection Method

生成模型在创造逼真的视频方面取得了显著进展，这引起了安全问题。然而，由于缺乏用于AI生成视频的基准数据集，这种新兴风险尚未得到充分解决。在本文中，我们首先使用先进的扩散视频生成算法构建了一个视频数据集，其中包含各种语义内容。此外，采用 typic al 视频有损操作进行网络传输以生成降级样本。然后，通过分析当前AI生成视频的局部和全局时间缺陷，构建了一个新的检测框架，通过自适应学习局部运动信息和全局外观变化来暴露假视频。最后，进行了实验来评估不同空间和时间域检测方法的泛化性和鲁棒性，其结果可以作为基线，并展示未来研究的研究挑战。

如何检测AI生成的视频并防止安全问题？

构建视频数据集，通过分析当前AI生成视频的局部和全局缺陷，构建一个新的检测框架，可以自适应地学习局部运动信息和全局外观变化来揭示伪造视频。

论文使用先进的扩散式视频生成算法构建视频数据集，并采用典型的视频有损操作来生成退化样本。实验评估了不同空间和时间域检测方法的泛化性和鲁棒性，并提供了基线结果。

最近的相关研究包括：1. “Deep Video Portraits” 2. “Everybody Dance Now” 3. “Few-Shot Adversarial Learning of Realistic Neural Talking Head Models”