VideoASMR-Bench: Can AI-Generated ASMR Videos Fool VLMs and Humans?
本文介绍了 VideoASMR-Bench，这是一个利用细粒度 ASMR 内容构建的新基准，旨在揭示尽管最先进的视频生成模型能够制造出足以欺骗当前视频理解模型的合成视频，但人类在区分这些 AI 生成视频与真实视频方面仍显著更胜一筹。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象你手中正握着一项极其敏感的“感官测试”。如今的视频测试大多就像从远处检查一幅画是否像风景——它们问的是：“有树吗？有天空吗？”但这篇新论文VideoASMR-Bench提出了一个难得多的问题：“雨声是否真的与树叶的摆动相匹配？当你观看时，水的质感是否显得真实？”
以下是研究人员所做工作的拆解，采用简单的类比：
1. “ASMR"测试：现实的显微镜
研究人员决定使用ASMR（自发性知觉经络反应）来测试 AI 视频。将 ASMR 视频视为视频世界中的“高清慢动作”再合适不过。它们特写诸如敲击玻璃、切水果或耳语等场景。
- 为何重要：在普通视频中，微小的瑕疵可能不被察觉。但在 ASMR 视频中，如果刀具切番茄不够完美，或者碎裂声稍有偏差，就会立刻打破“魔力”。这就像在放大镜下试图辨别假钻石；瑕疵虽小，但只要知道该看哪里，就显而易见。
2. 游戏：伪造者 vs. 侦探
该论文在两类 AI 之间设置了一场巨大的“猫鼠游戏”：
- 伪造者（视频生成模型）：这些是试图创作逼真到足以骗过任何人的假 ASMR 视频的 AI 艺术家。
- 侦探（视频理解模型）：这些是试图观看视频并判断“这是真的！”或“这是假的！”的 AI“警察”。
研究人员创建了一个包含1,500 个真实 ASMR 视频（从社交媒体抓取）的巨大库，并利用“伪造者”生成了2,235 个它们的伪造版本。随后，他们让“侦探”尝试识别这些赝品。
3. 令人震惊的结果
结果令人惊讶，就像发现一位大师级伪造者能骗过高科技安全摄像头，但普通人类仍能识破赝品一样。
- AI 侦探表现糟糕：即使是最聪明的 AI 侦探（如最新版本的 Gemini 和 GPT）在识别这些假 ASMR 视频方面也极差。它们经常随机猜测或极易受骗。事实上，在这项特定任务上，它们的表现远不如人类。
- AI 伪造者变得令人恐惧地出色：AI 艺术家（如 Veo3 和 Sora2）创作的视频如此逼真，以至于 AI 侦探无法分辨真假。这些视频对机器而言，视听效果完美无缺。
- 人类目前仍胜（暂时）：当 AI 侦探感到困惑时，普通人类通常仍能分辨出假视频。人类更擅长察觉那些 AI 忽略的微小、微妙的“恐怖谷”感受。
4. AI 使用的“作弊码”（及其失败原因）
研究人员发现了 AI 侦探失败的原因：
- 水印捷径：某些 AI 模型仅仅是在寻找视频上微小的"Sora"水印。如果看到，就说“假！”；如果没看到，就说“真！”它们并非真正在观看视频，而只是在寻找标签。当研究人员移除水印后，AI 侦探便陷入困惑并失败。
- 忽视声音：AI 侦探大多忽略了音频。但在 ASMR 中，声音占了一半的权重。当研究人员强制 AI 聆听音频时，它们在识别赝品方面略有提升，但仍不够出色。
- “真实”偏见：AI 侦探养成了一种奇怪的习性，即假设一切都是真实的。它们如此害怕将真实视频称为“假”，以至于最终几乎将所有内容（包括明显的赝品）都称为“真”。
5. 大局观
该论文得出结论：虽然 AI 在制作逼真的感官视频方面变得极其出色，但我们用来检查这些视频是否真实的 AI 工具却落后了。
可以这样理解：AI 艺术家已经学会绘制完美的日落，连太阳本人都为之嫉妒，但负责检查这些画作的 AI 保安仍在用 20 世纪 90 年代的放大镜。它们无法看到那些暴露画作真身的微小笔触。
核心结论：
我们拥有一个新的基准（VideoASMR-Bench），它充当压力测试。它表明，目前 AI 能够制作出能欺骗其他 AI 的视频，但人类仍然是判断何为真正真实感的最佳裁判。该论文并未承诺这些视频将被用于任何具体用途；它只是说：“看看伪造者变得多么出色，再看看我们的检测器在捕捉它们方面多么糟糕。”
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。