WeVisForensics:让视频伪造检测从“看一遍”走向多轮取证
针对生成视频中的细微、短暂伪造痕迹,WeVisForensics采用调查员与专职取证子代理协作的方式,逐段检查视觉和音频线索。论文称,该框架在多类基准上的平均检测准确率为95.2%。
阅读全文针对生成视频中的细微、短暂伪造痕迹,WeVisForensics采用调查员与专职取证子代理协作的方式,逐段检查视觉和音频线索。论文称,该框架在多类基准上的平均检测准确率为95.2%。
阅读全文Depth Pro 2 面向照片、视频和实时摄像头输入,尝试用同一网络兼顾米制深度、物体边界清晰度与跨帧稳定性。研究聚焦于单目深度估计长期存在的画质取舍。
阅读全文可见瑕疵正被视频生成模型逐步消除,一项新研究转而寻找生成流程留下的时间结构痕迹。研究者提出“VAE Rhythm”,通过扫描视频重建误差的周期变化进行检测。
阅读全文ALIVE尝试让流式视频模型不再只按单轮请求回答,而能持续观察、协调多轮任务,并在信息不足时主动寻求反馈。研究还提出两阶段训练方案和用于评估反馈交互的 FSI-Bench。
阅读全文NexSight把长视频理解从“答对问题”推进到“能否找到并核实证据”。研究团队构建了包含310项任务的基准,并用交互轨迹训练模型如何决定下一步观察什么。
阅读全文PhysLoop提出一个面向物理一致性的视频生成框架,让大语言模型参与视频生成、筛选和修正,并构建可控训练数据。该项目还探索在推理阶段修复视频中的局部物理错误,但其评测细节仍有待进一步澄清。
阅读全文Roblox 研究团队提出 PixVid,在保留预训练视频扩散 Transformer 的基础上,用卷积头直接生成像素级视频。该方法旨在缓解潜空间压缩带来的分辨率、逐帧控制和交互延迟问题。
阅读全文EVAThink提出一种证据充分性引导的训练方法,让视频视觉语言模型在直接作答与显式推理之间自适应选择。研究显示,仅用6700个精选样本训练,也能在32帧和64帧预算下提升多项视频理解任务表现。
阅读全文InstantHMR 面向移动端单张图像三维人体网格恢复,在 Galaxy S23 NPU 上可于 5.5 毫秒完成人体网格推理。项目通过 MHR 参数化模型兼顾速度与精度,并已开源代码和模型。
阅读全文Google推出Gemini Omni 1.2 Flash,支持最长15秒的视频生成,并强化参考图一致性、语音同步和连续镜头控制。新模型还引入多轮对话式编辑,并将720p视频价格降至每秒0.07美元。
阅读全文Google DeepMind 发布 Gemini Omni 1.2 Flash,支持原生生成最长 15 秒的视频,并强化参考图一致性、语音同步和连续镜头控制。模型价格较上一版本下降 30%,面向 API、Google Vids 和企业用户开放。
阅读全文Wave Forcing 通过波前调度、因果注意力和多副本流水线,提升长视频生成的连续性与吞吐效率。在 Wan2.1-T2V-1.3B 实验中,系统兼顾了视频质量、动态表现和端到端速度。
阅读全文Venus-DefakerOne2试图突破单一深伪检测器的边界,将数字篡改、物理欺骗以及图像和视频内容纳入同一视觉取证基础模型。论文报告显示,该模型在六类基准任务上取得较高检测成绩。
阅读全文针对长视频中短暂、稀疏的音频或视觉篡改,AV-FABLE构建了带有独立音频与视觉时间线的评测基准。研究还提出NFSR,证明冻结的多模态模型特征中蕴含取证信号,但需要专门的时序读取器才能有效利用。
阅读全文NVIDIA 提出的 Foundation4D 试图用一个统一的前馈模型处理多摄像头驾驶视频中的几何估计、三维检测、语义占据和高斯重建。配套的 PAI-Foundation4D 基准则补充了大规模稠密深度与语义占据标注。
阅读全文面对越来越逼真的合成视频,Verus-Insight 将生成视频检测拆分为检查规划、证据验证和证据聚合三个环节,并通过人类标注监督提升细粒度伪影识别能力。研究团队还发布了带有人类感知伪影标注的 Verus-Bench,用于评估检测器是否真正找到了可靠证据。
阅读全文腾讯ARC团队提出 Future Chunk Prediction,通过预测缺失中间上下文之后的视频片段,减少自回归视频模型对局部连续性的依赖。该方法在提升物理 plausibility 的同时,也降低了训练计算与数据成本。
阅读全文DeltaStreamer面向流式视频理解,结合变化感知记忆、问题驱动规划与定向回放,试图解决“视频先发生、问题后到来”带来的证据缺失问题。
阅读全文NAVER AI Lab提出Speculative Forcing,通过判断视频Token是否已经足够稳定,提前冻结可接受结果,从而减少自回归视频生成中的冗余去噪计算。
阅读全文