DVAR：针对视频真实性检测的对抗性多智能体辩论

视频生成技术的快速演进对媒体取证提出了重大挑战，因为常规检测方法往往难以超出训练分布进行泛化。为此，我们提出了 DVAR（Debate-based Video Authenticity Reasoning，基于辩论的视频真实性推理），一个无需训练的框架，将视频检测重新建模为结构化的多智能体 forensic 推理过程。超越模式匹配范式，DVAR 编排了生成假设智能体与自然机制智能体之间的竞争。通过迭代的交叉质询，这些智能体会围绕异常证据对各自的解释进行捍卫，从而驱动逻辑收敛——真相通过严格的压力测试而浮现。为裁决这些冲突的陈述，我们通过奥奇姆的 razor 原理运用最小描述长度 (MDL) 框架，定义解释成本以量化每条推理路径的"逻辑负担"。此外，我们集成了 GenVideoKB，一个动态知识库，提供有关生成边界和故障模式的高层次推理启发式。广泛的实验表明，DVAR 在保持对未知生成架构优越泛化能力的同时，实现了对抗监督最先进方法的竞争性性能。通过将检测转化为透明的辩论，DVAR 为鲁棒的视频真实性评估提供了显式、可解释的推理轨迹。