ATSS：基于异常时间自相似性检测 AI 生成视频

AI 生成视频（AIGV）已实现前所未有的逼真度，构成了数字 Forensics 的严重威胁。现有 AIGV 检测器主要关注局部瑕疵或短期时间不一致，往往难以捕捉支配全局时间演化的生成逻辑，从而限制了 AIGV 检测性能。本文识别了 AIGV 中 distinctive 的指纹，称为异常时间自相似性（Anomalous Temporal Self-Similarity，ATSS）。不同于表现为随机自然动力学的真实视频，AIGV 遵循由确定性锚点驱动的轨迹（如文本或图像提示），在视觉和语义域上诱导出不自然的重复相关性。为此，我们提出 ATSS 方法，一个多模态检测框架，通过三重相似性表示和跨注意力融合机制利用此洞察。具体而言，ATSS 利用帧级描述构建视觉、文本和跨模态相似性矩阵，这些矩阵共同量化固有的时序异常。这些矩阵由专用 Transformer 编码器编码，并通过双向跨注意力融合模块集成，以有效建模内部和跨模态动力学。广泛的实验在四个大型基准数据集上进行，包括 GenVideo、EvalCrafter、VideoPhy 和 VidProM，结果表明 ATSS 在 AP、AUC 和 ACC 指标上显著优于最先进的方法，展现出对多样化视频生成模型的优异泛化能力。ATSS 的代码和模型将在 https://github.com/hwang-cs-ime/ATSS 发布。