🤖 AI

Preserving Forgery Artifacts: AI-Generated Video Detection at Native Scale

この論文は、従来の前処理による情報欠損を回避し、高解像度・可変長で forgery 痕跡を直接検出する Qwen2.5-VL ベースのフレームワークと、15 の最新生成モデルからなる大規模データセットを提案し、AI 生成動画検出の新たな基準を確立するものです。

原著者： Zhengcen Li, Chenyang Jiang, Hang Zhao, Shiyang Zhou, Yunyang Mo, Feng Gao, Fan Yang, Qiben Shan, Shaocong Wu, Jingyong Su

公開日 2026-04-07

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Zhengcen Li, Chenyang Jiang, Hang Zhao, Shiyang Zhou, Yunyang Mo, Feng Gao, Fan Yang, Qiben Shan, Shaocong Wu, Jingyong Su

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

この論文は、**「AI が作った嘘の動画を見破る、新しい『超高性能カメラ』と『最新の手引き』」**を紹介するものです。

AI が作る動画は、もはや本物と見分けがつかないほどリアルになっています。しかし、今の「偽物を見分ける技術」には、大きな欠陥がありました。この論文は、その欠陥を解決し、AI 動画の検知を劇的に向上させる方法を提案しています。

わかりやすく、3 つのポイントで解説します。

1. 問題点：「解像度を下げて見る」のは危険！

これまでの偽物動画検知技術は、**「動画の解像度を小さくして、224×224 ピクセルという小さな枠に収めてから分析する」**というやり方を取っていました。

アナロジー：
想像してみてください。本物の絵画と、AI が描いた偽物の絵画を見分けようとしています。
偽物には、AI が描き間違えた「微細な筆の跡」や「色の滲み」という、**「小さな傷」が必ず残っています。
しかし、これまでの技術は、「その絵をスマホの画面サイズに縮小して眺める」**ようなものでした。
縮小すると、重要な「小さな傷」は消えてしまい、絵の全体像（構図）だけがぼんやりと残ってしまいます。その結果、「本物か偽物か」を見分けるための重要な手がかりを失ってしまっていたのです。

さらに、使われている「練習用の動画（データ）」も、昔の低品質なものが多く、最新の AI が作る「超リアルな偽物」には対応できていませんでした。

2. 解決策：「原寸大」で、ありのままを見る

この論文のチームは、**「縮小せず、動画の元のサイズ（ネイティブ解像度）のまま、そのまま分析する」**という新しい方法を考え出しました。

アナロジー：
彼らが使ったのは、「高倍率の顕微鏡」のような新しいカメラ（Qwen2.5-ViT という AI モデル）です。
動画を見る際、縮小や切り抜きを一切行わず、「元の動画が 4K なら 4K のまま、10 秒なら 10 秒のまま」、ありのままの姿を AI に見せます。
これにより、AI は「縮小されて消えていた」微細な「筆の跡（偽物の痕跡）」や、「時間的な不自然さ（動きの違和感）」を、鮮明に捉えることができるようになりました。

3. 新兵器：「魔法の動画（Magic Videos）」と「最強の練習帳」

新しいカメラを使うだけでなく、「練習用の教材」も刷新しました。

アナロジー：
従来の練習用教材は、「昔の低画質の偽物」ばかりで、最新の「超リアルな偽物」には対応していませんでした。
そこで、チームは**「Magic Videos（魔法の動画）」という、最新の AI 15 社以上で作った、「本物と見分けがつかない超リアルな偽物動画」**を 14 万本以上集めました。
これを「練習帳」として使い、最新の AI モデルに「本物と偽物の違い」を徹底的に学習させました。

結果：何がすごいのか？

この新しい方法（ネイティブ解像度で分析＋最新データで学習）を試したところ、以下のような成果が出ました。

見分けが圧倒的に上手くなった：
従来の方法では「本物か偽物か」が 50%（コイン投げと同じ）だったものが、90% 以上の精度で見分けられるようになりました。
どんな偽物にも強い：
特定の AI だけでなく、Sora（OpenAI）や Kling（快手）など、あらゆる最新の AI が作った動画に対しても、高い精度で検知できました。
圧縮や加工にも強い：
動画が少し圧縮されたり、サイズが変わったりしても、偽物を見抜く能力が落ちにくいことが確認されました。

まとめ

この論文は、**「偽物を見分けるには、縮小してぼんやり見るのではなく、高画質で細部までしっかり見る必要がある」**と教えてくれました。

AI 動画がどんどん進化していく未来において、この「原寸大で見る技術」と「最新の実践データ」は、私たちがインターネット上の嘘から身を守るための、非常に重要な「盾」となるでしょう。

論文「PRESERVING FORGERY ARTIFACTS: AI-GENERATED VIDEO DETECTION AT NATIVE SCALE」の技術的サマリー

本論文は、ICLR 2026 にて発表された、AI 生成動画（AIGC）の検出に関する研究です。既存の検出手法が抱える「解像度変換による偽造痕跡の消失」と「学習データの古さ」という二つの重大な課題を解決し、ネイティブ解像度（変換なし）で動画を処理する新しいフレームワークと、最新モデルで構成された大規模データセットを提案しています。

以下に、問題定義、手法、主な貢献、結果、および意義について詳細にまとめます。

1. 背景と問題定義 (Problem)

近年、Diffusion Transformer (DiT) や Sora、Kling などの最先端生成モデルの進化により、極めてリアルな AI 生成動画が作成可能になりました。しかし、既存の検出手法には以下の致命的な限界があります。

前処理による情報損失: 既存の手法の多くは、入力動画を固定解像度（例：224x224）にリサイズしたり、クロップしたりする前処理を必須としています。
- 高周波数アーティファクトの消失: 生成モデル特有の微妙なテクスチャの歪みや高周波ノイズ（偽造の痕跡）が、解像度低下により失われます。
- 空間的歪み: アスペクト比の変更やクロップにより、動画全体の意味論的（セマンティック）な一貫性が損なわれ、検出器が誤った特徴を学習する原因となります。
学習データの陳腐化: 既存のデータセットは、古いモデルや低解像度・短時間の動画で構成されており、現代の超リアルな生成モデルの特性を捉えきれていません。
一般化性能の欠如: 異なる解像度や生成元（Generator）に対して検出性能が著しく低下する傾向があります。

2. 提案手法 (Methodology)

著者らは、これらの課題を解決するため、**「ネイティブスケール（Native Scale）」**で動画を処理する検出フレームワークを提案しました。

2.1 データセットの構築

大規模トレーニングデータセット: 15 種類の最先端オープンソースおよび商用生成モデル（VBench、Movie Gen、Wan2.1、Hailuo など）から、合計 14 万本以上の AI 生成動画と実写動画を収集・キュレーションしました。
Magic Videos ベンチマーク: 評価用として、6 つの最新生成モデル（Wan2.1, Hailuo, Seaweed, Seedance, StepVideo など）を用いて作成された、高品質で人間と見分けがつかない「Magic Videos」ベンチマークを提案しました。これにより、現在の AIGC の最高峰に対する厳密な評価が可能になります。

2.2 検出フレームワーク (Qwen2.5-ViT ベース)

既存の固定解像度処理を廃止し、Qwen2.5-VL Vision Transformerを基盤とした新しいアーキテクチャを採用しています。

ネイティブ解像度での 3D パッチ化 (3D Patchification at Native Scale):
- 入力動画をリサイズやパディングなしで、そのまま 3D パッチ（空間×時間）に分割します。
- 入力テンソル $V \in \mathbb{R}^{T \times H \times W \times C}$ を、重なりを持たない 3D パッチ $(P_t, P_h, P_w) = (2, 14, 14)$ に分割し、線形投影行列 $E$ を通じて埋め込みを計算します。
- これにより、元の解像度とアスペクト比が維持され、高周波数の偽造痕跡や微細な時空間的不整合が保持されます。
時空間モデル化:
- 2D 回転位置埋め込み（RoPE）を適用し、入力解像度に対する外挿能力を強化しています。
- 計算効率化のため、NaViT のバッチパッキング戦略、Flash Attention、およびウィンドウド・アテンション（114x114）を組み合わせ、高解像度動画の処理コストを最適化しています。
ファインチューニング:
- 完全ファインチューニング、Linear Probing、および LoRA（Parameter-Efficient Fine-Tuning）の 3 つの戦略を検討し、完全ファインチューニングが最も高い性能を示しました。

3. 主な貢献 (Key Contributions)

高品質で多様なデータセットの提案: 15 種類の生成モデルから 14 万本以上の動画を収集したトレーニングデータと、6 種類の最新モデルで構成された「Magic Videos」評価ベンチマークを提供。
ネイティブ解像度処理フレームワークの提案: 固定解像度へのリサイズやクロップを排除し、Qwen2.5-ViT を活用して任意の解像度・長さの動画をネイティブに処理する手法を開発。これにより、従来法で失われていた重要な偽造痕跡を保持します。
SOTA 性能の達成: 広範なベンチマーク（GenVideo, DVF, Magic Videos, DeepTraceReward）において、既存の Deepfake 検出器や多様な基盤モデルを凌駕する性能を達成し、AI 生成動画検出の新しい基準を確立しました。

4. 実験結果 (Results)

Magic Videos ベンチマーク:
- 平均精度（mACC）で 83.20%、平均適合率（mAP）で 93.28% を記録し、既存の最良の手法（TimeSformer, X-CLIP など）を大幅に上回りました。
- 特に、画像検出用モデル（RINE, Effort など）や顔特化型 Deepfake 検出器（F3Net, TALL）は動画検出において性能が低く、動画特有の時空間アーティファクトの重要性が浮き彫りになりました。
クロスドメイン評価:
- DVF テストセット: 平均 AUC 97.6% を達成。
- GenVideo-Val: 220 万サンプルで学習した DeMamba などの大規模モデルと比較しても、14 万サンプルのデータで学習した本手法の方が高い F1 スコア（90.64）とバランス精度（95.38）を記録しました。
- DeepTraceReward: 最新の 7 種類の生成モデル（Pika-1.5, Kling-1.5 など）を含むデータセットにおいて、97.2% の精度を達成し、汎用 VLM（GPT-5, Gemini 等）を凌駕しました。
アブレーション研究:
- 解像度の影響: 固定 224p へのリサイズ（73.69%）に対し、動的解像度（最大 720p まで保持）は 89.92% と劇的に性能を向上させました。
- 時間的解像度: 抽出フレーム数（T）を 2 から 8 に増やすことで、時空間的不整合の検出能力が向上しました。
- ロバスト性: JPEG 圧縮や H.264 エンコードなどの軽微な劣化に対して高い頑健性を示しましたが、過度な解像度低下やクロップには依然として影響を受けました。

5. 意義と結論 (Significance)

本論文は、AI 生成動画検出の分野において以下の点で重要な転換点となります。

前処理の根本的な見直し: 「解像度を下げて処理する」という長年の慣習が、検出性能のボトルネックとなっていたことを実証し、**「ネイティブ解像度の維持」**が高精度検出の鍵であることを示しました。
データとモデルの同時進化: 最新の高品質な生成モデルに対応したデータセットと、それを処理できるアーキテクチャの両面からアプローチすることで、現代の AIGC 脅威に対する実用的な防御策を提供しています。
将来の展望: 計算コストの課題は残っていますが、LoRA などのパラメータ効率化手法との組み合わせにより、実用化への道筋も示されています。また、生成モデルの進化に合わせてデータセットを継続的に更新する必要性を指摘しています。

総じて、本研究は「高解像度・多様な生成元に対応できるネイティブ処理フレームワーク」の重要性を証明し、AI 生成コンテンツの検出技術における新しい基準（Baseline）を確立した画期的な成果と言えます。