Envoi quotidien à 08:00 · 3 articles lus en entier, un projet GitHub et une idée.
L'article présente RIFT, une méthode qui détecte les vidéos générées par IA en mesurant le défaut de couplage entre la dynamique sémantique globale (macro) et les résidus de pixels (micro). Elle atteint un F1-score de 99,33 % sur VidProM et de 99,72 % sur GenVidBench.
4/5 générateurs non vus testés VidProMGenVidBench code
Cet article propose TUE-Detector, un framework d'experts MLLM utilisant des outils pour la découverte de preuves médiatisées par des outils afin de détecter les vidéos générées par IA. Il atteint de superbes performances sur les benchmarks ViF-Bench et GenVideo.
4/5 générateurs non vus testés ViF-BenchGenVideoViF-CoT-4K code
Cet article introduit RA-Bench, un benchmark de 17 886 vidéos axé sur les crises du monde réel, pour évaluer la détection de vidéos générées par IA. L'évaluation systématique montre qu'aucun détecteur actuel ne généralise de manière fiable à travers les sources, les invites ou les conditions de diffusion sociale.
4/5 générateurs non vus testés RA-Bench code
Cet article propose SafeGuard, un framework multi-agent combinant une perception forensique de bas niveau et un raisonnement sémantique pour détecter les vidéos générées par IA à risque social. Il introduit également SafeVid, un nouveau benchmark de 20K vidéos couvrant 10 catégories de risques sociaux, et surpasse les méthodes existantes sur ce benchmark et quatre jeux de données publics.
4/5 générateurs non vus testés SafeVidGenVideoDVF code
Ce dépôt GitHub propose une collection organisée de listes d'outils, d'articles et de codes liés à la détection de deepfakes. Il recense de nombreuses ressources bibliographiques et des datasets pour la recherche en vision par ordinateur.
Pour ton PFE. point de départ
L'article [13] souffre d'une forte sensibilité au recadrage spatial et d'une évaluation restreinte sur les perturbations, tandis que l'article [24] montre que les conditions de diffusion sociale et de transcodage affaiblissent la fiabilité des détecteurs.
Premier pas. Cloner les dépôts associés, configurer l'environnement d'extraction des flux macro et micro de RIFT [13], et charger un sous-échantillon de RA-Bench [24] pour valider la pipeline d'inférence.