这篇论文的作者 Mert Onur Cakirooglu、Mehmet Dalkilic 和 Hasan Kurban 表示：“是的，而且我们可以做得超级快。”他们将视频检测视为一种在视频流传输过程中实时进行的“现场解说”，而不是在电影结束后的“期末考试”。他们的这种方法不是将整个视频解码成高清像素（这就像为了检查墨水而把整本书都打印出来），而是直接从压缩文件中读取“运动地图”。他们发现，AI 生成的视频往往具有“骨架式”的运动——过于简单且稀疏——而真实的视频则拥有“丰富”且复杂的运动。通过扫描这些运动地图，他们的系统几乎可以立即识别出伪造视频，且使用的计算能力仅为传统方法的一小部分。
这里有一个神奇的技巧：他们构建了一个两阶段的安全警卫系统。第一位警卫是一个轻量级、超快速的 CPU 扫描器，负责读取运动地图。它非常廉价且迅速，因此可以检查到达的每一个视频。如果运动看起来可疑地简单，这位警卫就会大喊“伪造！”，并立即拦截视频。如果运动看起来非常正常，它就会说“真实！”，并让其通过。但是，如果运动看起来很模糊，或者处于边缘地带怎么办？这时，第二位警卫就会介入。第二位警卫是一个重型、昂贵的 AI 模型，它会真正观察视频的像素以做出最终判断。其精妙之处在于，这个昂贵的警卫只会在那些令人困惑的情况下被调用——大约占 15% 的时间。这意味着该系统节省了大量的能量和时间，其使用的计算能力比用重型模型检查每个视频要少约 7 倍，同时实际上获得了略高的准确度。
论文还证明了一个非常重要的安全规则：由于第一位警卫的分数只会上升（它不会随着看到更多视频而下降），因此他们可以设置一个单一的“停止线”，确保即使他们在提前停止检查时，也不会误将太多真实的视频标记为伪造。这就像一个安检站，只有当你触发了金属探测器或看起来身份不明时，你才会接受全身扫描；如果你看起来非常安全，你就可以直接走过去。他们在数千个视频上进行了测试，发现他们的方法在看完前几秒钟（甚至只是视频的第一“块”内容）后就能识别出伪造视频，而旧方法必须等待整个片段结束。虽然该系统并不完美，如果视频的压缩方式与预期不同，它可能会感到困惑，但它提供了一种捕捉 AI 伪造视频的新方法，这种方法既快速、廉价，又足够聪明，知道何时寻求帮助。
技术摘要：及早检测，极少升级：基于压缩比特流的随时检测 AI 生成视频
1. 问题陈述
目前的 AI 生成视频（AIGV）检测器主要针对离线评估设计，即将完整的视频剪辑解码为像素并进行一次性评分，通常利用沉重的视觉语言模型（VLM）或大型神经网络。然而，现实世界的部署是在线（流式）的，视频以压缩块的形式顺序到达。这种设置对延迟预算和计算约束提出了严格要求，使得在每个传入帧上运行数十亿参数的模型变得不切实际。此外，现有的流式感知方法侧重于目标检测或动作识别，而非合成视频生成；且实时的深度伪造检测器通常依赖于解码后的面部图像，而非压缩比特流本身。