Les articles gardés sont les études incluses dans ta revue.
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
99.33F1 · VidProM
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
96.90ACC · ViF-Bench
Cet article étudie la robustesse des détecteurs de deepfakes face à la compression vidéo à travers le modèle CAFRL combinant des flux fréquentiels et une invariance par adversarialité. Les auteurs démontrent via une étude contrôlée que l'amélioration de la robustesse provient de la diversité des données d'entraînement plutôt que des représentations invariantes en fréquence.
5/5 générateurs non vus testés FaceForensics++FaceShifterCeleb-DF v2 code
0.9224AUC · FaceForensics++ test
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
50.9AUC · RA-Bench
Cet article introduit FaceVid-Forensics-100K, un grand dataset de 100 000 vidéos avec annotations textuelles fines, et propose un cadre de raisonnement multi-agent combinant quatre experts spécialisés et un agent juge pour la détection généralisable de deepfakes. Sur le banc d'essai hors domaine, l'approche atteint 53,28 % de F1 et surpasse les baselines.
4/5 générateurs non vus testés FaceVid-Forensics-100K code
53.28F1 · OOD test set
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
85.5ACC · SafeVid
Cet article introduit GenVideo, un dataset à grande échelle pour la détection de vidéos générées par IA, et propose DeMamba, un module plug-and-play basé sur Mamba pour modéliser les incohérences spatio-temporelles. Les expériences démontrent des performances de généralisation et de robustesse supérieures face aux baselines existantes.
4/5 générateurs non vus testés GenVideo code chiffres introuvables dans le PDF : 4