Verus-Insight：让 AI 生成视频检测从“判定”走向“举证”

导语

视频生成模型快速进步后，合成内容已经不再总是带有明显的失真。传统 AI 生成视频检测器通常直接输出“真实”或“生成”结论，或者把检测到的视觉伪影作为来源判断的依据。但这类方法存在一个关键问题：模型可能碰巧作出正确判断，却没有真正找到支持结论的证据；也可能关注了错误区域，遗漏人类观察者能够发现的细微异常。

论文《Verus-Insight: Towards Explainable Artifact Detection in AI-Generated Videos》试图把视频取证从单一分类任务，转化为一个更完整、可检查的证据分析流程。

核心要点

• 把检测拆成三个能力。 第一是“检查规划”，决定应该观察视频中的哪些对象、区域或时空片段；第二是“证据验证”，判断被检查内容是否确实包含生成伪影，而不是把普通视觉变化误认为异常；第三是“证据聚合”，将多个经过验证的线索整合成最终的来源判断。
• 强调从观察到结论的链条。 研究不满足于让模型给出一个标签，而是要求它在检查目标、伪影确认和最终决策之间建立更清晰的联系。这样可以降低模型依赖偶然相关特征或背景线索的风险。
• 采用人类锚定的全流程监督。 Verus-Insight 的训练利用人类对可感知伪影的判断，对完整检测流程进行约束，并通过渐进式能力训练，逐步强化细粒度伪影分析与视频级检测。
• 发布 Verus-Bench。 该基准包含针对可感知视频伪影的细粒度人工标注，重点评估模型是否找到了人类实际能够观察到的异常，而不只是最终分类是否正确。
• 关注误报与证据质量。 素材显示，Verus-Insight 在多个基准上同时展现出较强的细粒度分析和视频级检测能力，并更可靠地将相关检查目标转化为有支撑的伪影证据，同时没有增加无根据的伪影声称。

方法的意义

这项工作的价值，不仅在于提出一个新的检测模型，更在于重新定义了“可解释的生成视频检测”应该评估什么。对于内容审核、数字取证和媒体真实性验证而言，一个只给出概率的分类器并不总是足够。审查人员还需要知道：模型看了哪里、发现了什么、这些异常是否真的与生成过程有关，以及多个线索如何共同支持最终结论。

三阶段框架也提供了更细的诊断入口。如果模型没有发现异常，问题可能出在检查范围不合理；如果找到了区域却作出错误判断，可能是证据验证能力不足；如果各个局部判断正确但整体结论不稳定，则需要改进证据聚合。这样的分解有助于研究者定位模型短板，而不是只根据最终准确性进行笼统比较。

当然，材料并未给出完整实验表格、数据规模或具体提升幅度，因此不宜据此推断其在所有场景中都优于现有方法。更现实的启示是：随着生成视频越来越逼真，检测系统需要从“猜来源”转向“展示证据”。Verus-Insight 与 Verus-Bench 所代表的方向，可能推动未来的视频检测器更加重视人类可理解、可核验的伪影分析。

来源：Hugging Face Daily Papers