🤖 AI

CoCoVideo: The High-Quality Commercial-Model-Based Contrastive Benchmark for AI-Generated Video Detection

本論文は、13種類の商用ジェネレーターから得られた意味的に整合した実写と偽物のビデオペアを特徴とする高品質なデータセットであるCoCoVideo-26Kを紹介し、高忠実度なAI生成ビデオの識別において最先端の性能を達成するために、対照学習と信頼性ゲート付きマルチモーダル推論を組み合わせた新しい検出フレームワークであるCoCoDetectを提案する。

原著者： Huidong Feng, Wentao Chen, Jie Chen, Xinqi Cai, Ruolong Ma, Yinglin Zheng, Yuxin Lin, Ming Zeng

公開日 2026-06-02

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Huidong Feng, Wentao Chen, Jie Chen, Xinqi Cai, Ruolong Ma, Yinglin Zheng, Yuxin Lin, Ming Zeng

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

インターネットを巨大な図書館だと想像してみてください。長い間、この図書館にある「偽物の本」は、安っぽい、しわくちゃな紙に印刷され、写真もぼやけていたため、簡単に見分けることができました。それを見つけるのは、手書きのメモにある誤字を見つけるようなものでした。

しかし最近、新しい世代の「偽物の本」が登場しました。これらは高品質で光沢のある紙に印刷され、写真も非常に鮮明で、ストーリーも論理的であるため、人間の司書ですら騙されてしまうほどです。これが、**AI生成ビデオ（AIGC）**の世界です。問題は、従来の「誤字検出器」（既存のAIツール）が、これら安っぽくしわくちゃな紙に基づいて訓練されていたことです。彼らは、新しい高品質な偽物にある微細な欠点を見つける方法を知りません。

この論文がこれをどのように解決したのか、分かりやすく説明します：

1. 新しい「訓練場」：CoCoVideo

著者たちは、低品質な古い偽ビデオを使って新しい検出器を教えることはできないと気づきました。彼らには、高品質な設備を備えたジムが必要でした。

古いデータの問題点： 以前のデータセットは、ビデオが少し「おかしく」見える（キャラクターが変にまばたきするなど）オープンソースのAIモデルを使用していました。しかし、大企業が使用するような現実世界の商用AIは、ほぼ完璧に見えるビデオを作成します。
解決策（CoCoVideo-26K）： チームは、CoCoVideoと呼ばれる大規模な新しいデータセットを構築しました。
- 「双子」戦略： 例えば、森の本当の写真があるとします。あなたは13人のハイエンドなAIアーティストに対し、全く同じ最初のフレームから始めて、その「全く同じ」森の偽バージョンを描くよう依頼します。
- 結果： これにより、「実物 vs 偽物」のペアができあがります。これらはストーリーも出発点も同一ですが、一方は本物で、もう一方はAIによるものです。これにより、検出器は単にストーリーに基づいて推測するのではなく、質感や物理法則における「極めて小さな違い」を探し出すことを強制されます。

2. 新しい探偵：CoCoDetect

この高品質な訓練場を用意した後、彼らはCoCoDetectと呼ばれる新しい探偵システムを構築しました。この探偵は、協力して働く2人組のチームのようなものです。

チームメンバーA：「質感スカウト」（対照学習）

役割： このシステムのこの部分は、紙の粒を見て調べる鑑識官のようなものです。標準的なビデオAI（R3D-18）を使用して、影が正しく動いていない、あるいは肌の質感が滑りすぎているといった、目には見えない微細なグリッチ（不具合）をスキャンします。
学習方法： CoCoVideoの「双子」ペアを用いて訓練されたため、このスカウトは、単に古いAIの明らかなエラーではなく、商用AI特有の「指紋」を見つけ出すことを学びました。

チームメンバーB：「論理判定官」（MLLM）

役割： 時には、ビデオが質感スカウトにとって完璧に見えることがあります。影も正しく、肌もリアルかもしれません。しかし、ストーリーは理にかなっていますか？
「信頼性のゲート」： これが巧妙な部分です。質感スカウトは「信頼スコア」を出します。
- 高信頼度： もしスカウトが95%の確率で偽物（または本物）だと確信している場合、即座に判断を下します。速くて効率的です。
- 低信頼度（「おそらく」ゾーン）： もしスカウトが確信を持てない場合（例：「偽物だと思うが、確信度は60%程度だ」）、彼は推測しません。代わりに、ケースを論理判定官に回します。
論理判定官の仕事： これは言語や物理学を理解する強力なAIです。ビデオを見てこう問いかけます。「ちょっと待てよ。ビデオでは、風が前方に吹いているのに、鳥が後ろ向きに飛んでいる。これは物理的に不可能だ。これは偽物に違いない。」

3. 彼らはどのように連携するか

システムはセキュリティチェックポイントのように機能します：

スキャン： 質感スカウトがビデオをチェックします。
ゲート： ビデオが明らかに偽物、あるいは明らかに本物である場合、ゲートが開き、決定が下されます。
推論： ビデオがトリッキーでスカウトが混乱している場合、ゲートはビデオを論理判定官へとルーティングします。判定官はシーンを読み取り、物理法則をチェックし、最終的な判決を下します。
融合： 最終的な決定は、スカウトの「質感による直感」と、判定官の「論理的な推論」を組み合わせたものです。

なぜこれが重要なのか（論文による）

著者たちは、彼らの新しい高品質なデータセットを用いて、新しい探偵を古いものと比較テストしました。

結果： 古い検出器（低品質な偽物に訓練されたもの）は、新しい商用品質のビデオに直面した際、無残にも失敗しました。それらは、鉄には反応するが鋼鉄には反応しない磁石を使って、干し草の山の中から針を探そうとしているようなものでした。
勝者： 「スカウト＋判定官」のチームを持つCoCoDetectは、大幅に優れた性能を示しました。高品質な偽物を捕まえるには、微細なディテール（質感）と大きな全体像（論理・物理）の両方を見るシステムが必要であることを、この研究は証明しました。

要約すると： この論文は、ハイエンドな商用AIの偽物を用いたより優れた「訓練校」を構築し、明らかな偽物には「直感的なチェック」を、トリッキーなものには「論理的なチェック」を用いる探偵を作り上げました。これにより、高品質なAIビデオが私たちを欺くことをより困難にしています。

技術サマリー: CoCoVideo および CoCoDetect

1. 問題提起

人工知能生成コンテンツ（AIGC）の急速な進展は、ますます巧妙化するビデオ偽造をもたらし、公共の議論や社会の安全に対する重大な課題を突きつけています。ディープフェイク検出技術は進歩しているものの、既存の手法には以下の2つの決定的な限界があります。

データセットの品質ギャップ: 既存のベンチマーク（GenBuster、GenVidBenchなど）は、オープンソースのビデオ生成モデルに大きく依存しています。これらのモデルは、最先端の商用システムと比較して、視覚的な忠実度が低く、動きやシーンの一貫性が弱い出力を生成します。その結果、これらのデータで学習されたモデルは、低品質な生成パターンに過学習し、高忠実度な商用AIGCビデオへの汎化性能を失う傾向があります。
手法的な限界: 従来の検出手法は、特定の生成アーキテクチャや低レベルの操作の手がかり（例：視覚的アーティファクト、周波数異常）に焦点を当てることが多いです。これらは、明らかな低レベルのアーティファクトを欠いた高品質な偽造を見分けるために不可欠な、物理的論理やシーンの一貫性といった高レベルのセマンティック（意味論的）な手がかりを活用することに苦慮しています。

2. 手法

本論文では、2つの側面からの解決策、すなわち新しい高品質データセット（CoCoVideo-26K）と、新しい検出フレームワーク（CoCoDetect）を提案します。

2.1. CoCoVideo-26K データセット

CoCoVideo-26Kは、研究用データと現実世界の脅威との間の品質ギャップを埋めるために設計された、対照的な商用モデルベースのベンチマークです。

データの構成: このデータセットは、意味的に整合した「実写（Real）– 偽造（Fake）」のペアとして構成された26,000個のビデオクリップで構成されています。
- 実写ビデオ: OpenVid-1Mから取得され、高忠実度な現実世界のシーンにフィルタリングされたもの（約13,000クリップ）。
- 偽造ビデオ: 13種類の最先端の商用ビデオ生成モデル（例：Sora, Kling, Runway Gen4, Jimeng 3.0, Midjourney v7）を使用して生成。各モデルは1,000個のビデオを提供。
対照的構造: 各実写ビデオは、同じ第1フレームおよび同一のテキストプロンプトから生成された合成的な対応物とペアになっています。これにより厳密なセマンティックな整合性が確保され、一致したコンテンツ条件下でのテクスチャ、動き、およびシーンの一貫性の違いに関する微細な分析が可能になります。
規模と多様性: 人間の相互作用、調理、植物の成長、自然景観などの多様なカテゴリを網羅しており、動画の長さは約5秒、フレームレートは24–30 FPSで統一されています。

2.2. CoCoDetect フレームワーク

CoCoDetectは、対照学習と、信頼性ゲート付きマルチモーダル大規模言語モデル（MLLM）による推論メカニズムを統合した検出フレームワークです。

バックボーン: システムは、入力ビデオバッチから時空間表現を抽出するために R3D-18 ネットワークを利用します。
デュアルヘッド・アーキテクチャ:
1. 信頼性ヘッド (Confidence Head): 3層のMLPとSigmoid活性化関数を用い、ビデオが実写である可能性を示す信頼度スコア（ $p \in [0, 1]$ ）を出力します。
2. 投影ヘッド (Projection Head): 2層のMLPを用いて、特徴量を128次元の埋め込み空間にマッピングし、対照学習を行います。
損失関数:
- 信頼性損失 (Confidence Loss): 真実性の分類のためのバイナリ交差エントロピー（BCE）。
- ペア対照損失 (Paired Contrastive Loss): 同一クラスのすべてのサンプルをクラスタリングする従来の教師あり対照学習とは異なり、この損失はセマンティックに整合した実写–偽造ペア（同じ第1フレームとプロンプトを共有するもの）間の分離を特別に強制します。これは、実写–偽造ペア間のコサイン類似度が特定の閾値を下回るようにヒンジペナルティを使用しますが、ペアになっていないサンプルについては制約を課しません。
信頼性ゲート付き MLLM 推論:
- ルーティング・メカニズム: 推論時、信頼度スコア $p$ が不確実な範囲（閾値 $\tau$ によって定義される）にある場合、サンプルは MLLM（LLaVA-NeXT-Video-7B）へとルーティングされます。高信頼度のサンプルは、バックボーンによって直接分類されます。
- MLLM による推論: 不確実なケースでは、MLLM が主要なフレームと信頼度スコアを分析し、物理的な妥当性とシーンの一貫性について推論します。MLLM は、二値判定、セマンティックな信頼度スコア、および自然言語による説明を含む構造化されたJSONを出力します。
- 意思決定の融合: MLLM の出力は、バックボーンの信頼度と同じセマンティック空間にマッピングされ、適応的な重み付け戦略を通じて融合され、最終的な分類が生成されます。

3. 主な貢献

CoCoVideo-26K ベンチマーク: 13の商用モデルを用いた対照的な実写–偽造ペアを特徴とする高品質なデータセットを確立し、現実的かつ高忠実度な条件下でのAIGC検出の評価における新しい標準を提供しました。
CoCoDetect フレームワーク: デュアルヘッド対照学習（テクスチャレベルの識別用）と、信頼性ゲート付き MLLM メカニズム（セマンティックレベルの推論用）を組み合わせた新しいアーキテクチャであり、両方の特徴レベルにわたる体系的な判断を可能にします。
実証的検証: CoCoVideo テストセットにおける最先端の性能と、複数の公開オープンソースベンチマークに対する強力な汎化能力を示す包括的な実験。

4. 実験結果

4.1. CoCoVideo-26K における性能

提案されたテストセットにおいて、CoCoDetect は、精度 (90.69%)、F1スコア (90.62%)、再現率 (89.95%)、および AUC (95.93%) のすべてにおいて最高の平均性能を達成し、DeMamba、VideoMAE、3D ResNeXt といった強力なベースラインを上回りました。

観察: この手法は、不確実なケースに対して MLLM を選択的に稼働させることで誤検知を効果的に減らす、適合率（Precision）を優先する保守的な決定戦略を示しました。
限界: Jimeng や Veo3 のようなモデルでは、実写と偽造のペア間の解像度の不一致によりセマンティックな整合性が損なわれ、性能がわずかに低下しました。

4.2. クロスデータセット汎化

5つの公開ベンチマーク（GVD, GVF, GenVideo, GenVidBench, GenBuster）で評価を行った結果、CoCoDetect は堅牢な汎化性能を示しました。

5つのベンチマークのうち4つで最高の精度を達成しました。
同じ商用モデルの古いバージョンを使用している GenBuster においても、CoCoDetect は強力な性能を維持しており、これは本手法が特定の生成アーティファクトよりも、汎用的なセマンティックおよびテクスチャの手がかりに依存していることを示唆しています。
GenVideo では、短くほぼ静止したクリップが多いことが原因で、MLLM の動きの分析に必要な時間的一貫性が損なわれ、F1スコアが低下しました。

4.3. アブレーション研究

アブレーション実験により、両方のコンポーネントの必要性が確認されました。

投影ヘッド（対照学習）を除去すると、AUC は 95.93% から 91.39% に低下しました。
MLLM（信頼度スコアのみに依存）を除去すると、AUC は 95.46% に低下しました。
フルモデルが最高のスコアを達成したことは、低レベルの対照的特徴と高レベルのセマンティック推論が相乗的に機能していることを裏付けています。

4.4. ケーススタディ

高信頼度: 対照ネットワークは、MLLM の介入なしに、明らかなテクスチャのアーティファクトを正しく特定しました。
低信頼度（救済）: 曖昧なケースにおいて、MLLM はバックボーンが見逃したセマンティックなエラー（例：吊り橋を煙突と誤認）を特定し、予測を修正することに成功しました。
失敗事例: 微細なアーティファクトがあり、かつ明らかなセマンティックな矛盾がない単純な自然景観では、両方のモジュールが失敗しました。これは、低複雑度の環境における偽造検出の現在の難しさを浮き彫りにしています。

5. 意義と主張

本論文は、CoCoVideo-26K が研究用データセットと現実世界の商用AIGC脅威との間の決定的なギャップを埋め、より信頼性の高いベンチマークを提供することを主張しています。CoCoDetect は、不確実なケースに対してセマンティックな推論を統合することで、純粋なテクスチャベースの検出の限界を克服する堅牢なフレームワークとして提示されています。

著者らは、本手法が微細な対照学習と高レベルのセマンティック検証を組み合わせることの有効性を検証していると強調しています。結論として、本手法は最先端の性能と強力な汎化能力を示しているものの、今後の課題として、より信頼性の高いAIGCコンテンツ検出をさらに強化するために、オーディオモダリティとより豊かなセマンティック注釈を用いてデータセットを拡張することに焦点を当てるとしています。