SAGA：面向生成式 AI 视频的源代码归属框架
计算机视觉与模式识别
2026-04-06 v2 人工智能
摘要
生成式 AI 的快速普及导致高度逼真的合成视频产生，滥用风险不断升级，已远超二元的真实/伪造检测器。我们提出 SAGA（Source Attribution of Generative AI videos），这是首个综合性框架，用于在大规模范围内解决 AI 生成视频源代码归属的紧迫需求。不同于传统检测方法，SAGA 识别具体使用的生成模型。它独特地提供跨五个层次的多粒度归属：可信度、生成任务（如文本到视频/图像到视频）、模型版本、开发团队以及精确生成器，提供远超寻常的 Forensic 分析视角。我们提出了新颖的视频变换器架构，利用强大的视觉基础模型的特征，有效捕获时空痕迹。关键在于，我们引入数据高效的预训练-归属策略，使 SAGA 仅需每个类别 0.5% 的源标签数据，即可实现最先进的归属性能，相当于完全监督的性能。进一步，我们提出了时间注意力签名（Temporal Attention Signatures, T-Sigs），这是一种新颖的可解释性方法，可可视化学习到的时序差异，为为何不同视频生成器可被区分提供首个解释。在公开数据集上进行大量实验，包括跨域场景，证明 SAGA 为合成视频源代码追溯树立了新的基准，为 Forensic 和监管应用提供至关重要且可解释的洞察。
关键词
引用
@article{arxiv.2511.12834,
title = {SAGA: Source Attribution of Generative AI Videos},
author = {Rohit Kundu and Vishal Mohanty and Hao Xiong and Shan Jia and Athula Balachandran and Amit K. Roy-Chowdhury},
journal= {arXiv preprint arXiv:2511.12834},
year = {2026}
}