🤖 AI

G2VD: Generalizable AI-Generated Video Detection via Counterfactual Intervention and Causal Disentanglement

该论文提出了 G2VD，这是一个通用的 AI 生成视频检测框架，它利用反事实干预和因果解耦来减轻捷径学习，并通过将内在取证线索与领域特定偏差分离，从而实现卓越的跨领域性能。

原作者： Meng Du, Hongchang Chen, Ran Li, Junjie Zhang, Qi Ouyang, Shibo Zhang, Shuxin Liu

发布于 2026-07-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Meng Du, Hongchang Chen, Ran Li, Junjie Zhang, Qi Ouyang, Shibo Zhang, Shuxin Liu

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

想象一下这样一个世界：你只需在电脑中输入几个词，就能看到一部电影出现，其中包含演员、爆炸和情感独白。这就是人工智能视频生成的魔力。但伴随着伟大的魔力而来的，是一个棘手的问题：你如何分辨一段视频是真的还是高明的伪造？这就是“视频取证”的战场。长期以来，侦探们（或者在这种情况下是计算机程序）试图通过寻找微小的瑕疵来识别伪造，比如背景中奇怪的闪烁，或者脸部动作不太自然。然而，随着人工智能变得越来越强大，这些瑕疵正在消失。新的问题在于，检测器往往会变得“懒惰”。它们并没有学习什么才使一个视频真正成为伪造，而是学会了识别制造该视频的机器所特有的“指纹”。这就像一个保安，只知道拦截戴红帽的人，因为上三个小偷都戴着红帽子。如果一个戴蓝帽子的贼出现了，保安就会放他进来。这篇论文——G2VD，试图教会这个保安去识别贼，而不只是识别帽子。

这项研究背后的研究人员由孟杜（Meng Du）和刘书欣（Shuxin Liu）领导，他们意识到当前检测器在面对新的 AI 生成器时之所以失效，是因为一种被称为“捷径学习”（shortcut learning）的现象。基本上，这些检测器在作弊。它们并没有寻找证明视频是伪造的深层、本质的线索；它们只是在记忆特定 AI 工具的风格。为了解决这个问题，团队构建了一个名为 G2VD（通用型 AI 生成视频检测）的新系统。他们的秘诀在于两个主要技巧：“反事实干预”（Counterfactual Intervention）和“因果解耦”（Causal Disentanglement）。

把“反事实干预”想象成一个穿越时空的编辑。系统获取一段真实的视频和一段伪造的视频，然后问道：“如果这段伪造视频具有真实视频的风格，会发生什么？”它使用一种特殊的工具（VAE）来重建视频，然后仔细地交换图像的部分内容，将“伪造”的线索与“真实”的背景风格混合在一起。通过创造这些“如果……会怎样”的情景，系统迫使检测器停止依赖风格（帽子颜色），转而开始关注伪造的实际证据。

一旦系统拥有了这些复杂的“如果……会怎样”的视频，它就会利用“因果解耦”将侦探的大脑分成两部分。一部分被训练专门寻找“真实”的线索（内在的取证线索），而另一部分则被训练专门寻找“风格”的线索（领域特定的偏差）。系统随后确保这两个部分不会进行过多的交流，以确保“真实线索”检测器不会被风格所干扰。这就像训练一名侦探去忽略嫌疑人的衣服，而专注于他们的指纹。

这种方法的结果非常令人印象深刻。团队在四个不同的公开数据集上测试了 G2VD，其中包括一个非常困难的挑战 GenVidBench，其中的伪造视频几乎与真实的无法区分。在这种极具挑战性的环境下，G2VD 实现了超过 90% 的整体准确率。与现有的最佳方法相比，它将 F1 分数（一种衡量准确性的指标）提高了 0.194，并将 AUC 分数提高了 0.104。或许最令人惊讶的是，该系统在仅使用 10% 可用训练数据的情况下就达到了这些高分。

论文指出，通过打破“风格”与“伪造”之间的联系，检测器终于可以实现泛化。这意味着，在一个类型的 AI 视频上训练的检测器，可以成功识别出由完全不同的、未见过的 AI 生成器制作的伪造视频。虽然该系统对重度压缩（例如当视频被压缩成很小的文件大小时）仍然敏感，但作者表明，这种新方法是一个重要的进步。它让我们从那些脆弱且容易被新手段欺骗的检测器，转向了能够理解无论谁制作出的视频，其伪造本质是什么样的检测器。

技术摘要：G2VD

问题陈述

AI 视频生成技术（如 Sora、Stable Video Diffusion、HunyuanVideo）的快速发展带来了显著的安全风险，包括虚假信息和身份欺诈。虽然现有的检测器在域内（in-domain）数据上表现良好，但在应用于未见过的生成器时，其性能会出现大幅下降。本文指出**捷径学习（shortcut learning）**是导致这一现象的主要原因：检测器依赖于特定领域的偏差（例如生成器的指纹、压缩模式或生成风格），而非本质的取证线索。这种纠缠导致决策边界在发生生成器层级的分布偏移时无法泛化。目前的解决方案，包括面向取证的数据增强和多模态大语言模型（MLLM），往往无法在面对此类偏移时持续超越专门的检测器，或者会产生不可靠的解释。

方法论

作者提出了 G2VD（Generalizable AI-Generated Video Detection，可泛化 AI 生成视频检测），这是一个基于结构因果模型（SCM）的框架，该框架将本质的取证线索视为因果因子（ $S$ ），将特定领域的偏差视为非因果因子（ $U$ ）。该框架由两个主要部分组成：

1. 反事实干预流水线 (CFIPipeline)

为了削弱领域特定偏差与真实性标签之间的伪相关性，G2VD 构建了反事实样本。理想情况下，一个反事实样本 $X^*_{cf}$ 应将伪造视频的因果因子 ( $S_f$ ) 与真实视频的非因果因子 ( $U_r$ ) 相结合。由于 $S$ 和 $U$ 是潜在且纠缠的，G2VD 通过以下三步过程进行近似：

基于 VAE 的重构： 使用一组多样化的变分自编码器（VAE）池对真实视频进行重构，以引入与本质取证线索相关的重构诱导痕迹。
频域对齐： 为了在保留重构痕迹的同时保留领域特征（ $U_r$ ），该流水线将原始真实视频的高频振幅与重构视频的相位及剩余频谱成分进行对齐。这缓解了由于有损视频编码引起的高频衰减。
像素域对齐： 通过插值处理来减少残余的色彩或对比度差异，从而生成最终的反事实样本 $X_{cf}$ 。

2. 因果解耦分类器

基于反事实干预，分类器利用两个领域锚定的分支和一个独立性约束，学习分离因果表示和非因果表示：

因果分支（Causal Branch）： 训练目标是将真实视频分类为负类，并将原始伪造视频和反事实样本（它们共享伪造因果因子 $S_f$ ）分类为正类。这促使该分支捕捉本质的取证线索（ $S$ ），而不受领域偏差的影响。
非因果分支（Non-Causal Branch）： 通过互补的标记规则进行训练，其中反事实样本被标记为真实（它们与原始真实视频共享 $U_r$ ）。这促使该分支捕捉领域特定的偏差（ $U$ ）。
独立性约束： 使用**希尔伯特-施密特独立性准则（HSIC）**对两个分支进行正则化，以最小化因果表示（ $F_c$ ）与非因果表示（ $F_{nc}$ ）之间的统计依赖性，确保它们捕捉到不同的因子。

在推理阶段，CFIPipeline 和非因果分支会被丢弃；预测仅依赖于骨干网络和因果分支。

核心贡献

因果公式化： 本文通过将本质取证线索与特定领域偏差的纠缠视为跨域泛化失败的根源，重新定义了 AI 生成视频检测问题。
G2VD 框架： 引入了一个整合了基于重构的反事实干预与领域锚定因果解构的新型框架，以减轻捷径学习。
（注：原文此处为“disentanglement”，译为“解构/解耦”）
实证验证： 在四个公开数据集上的广泛实验表明，G2VD 仅使用 10% 的可用训练数据即可实现强大的跨域性能，验证了干预流水线和因果解构分类器的有效性。

实验结果

该框架在四个数据集上进行了评估：GenVidBench、GenVideo、GVD 和 GVF。

GenVidBench： 在极具挑战性的 GenVidBench 设置下，G2VD-CLIP 实现了 91.9% 的整体准确率（ACC），F1 分数为 0.950，AUC 为 0.949。这比表现最好的基线模型（CLIP）高出 25.0 个百分点，并在处理 MuseV 和 SVD 等困难来源时，较其他先进方法有显著提升。
其他数据集： G2VD 的各变体在 GenVideo、GVD 和 GVF 上始终优于基线方法，相比匹配的骨干网络，性能提升幅度在 1.8 到 4.7 个百分点之间。
消融实验： 去除 CFIPipeline 和因果解构分类器会导致性能剧烈下降（例如在 GenVidBench 上降至约 61–66% ACC），证实了干预和解构组件对于泛化的关键作用。
鲁棒性： 该模型对高斯模糊表现出鲁棒性，但对激进的 JPEG 压缩表现出敏感性，这表明压缩过程会移除检测器所利用的取证证据。

意义与主张

本文声称 G2VD 为跨领域视频取证提供了实践基础，通过引导检测器远离生成器特定的捷径，转向本质的取容线索。作者断言，他们的方法有效地分离了因果因子与非因果偏差，即使在生成器层级的分布偏移下，也能利用有限的训练数据实现可靠的检测。这项工作强调，虽然基于 MLLM 的方法提供了可解释性，但具有因果解构机制的专门视觉检测器目前在可靠性和泛化性方面表现更优。未来的工作重点在于提高模型的鲁棒性和校准度，以实现实际部署。