Verus-Insight apprend à un détecteur de vidéos IA à trouver les artefacts et à les prouver

Les détecteurs de vidéos générées expliquent encore mal leurs verdicts. L'équipe de Verus-Insight a décomposé la tâche en trois compétences distinctes et entraîné un modèle qui ne se contente pas de nommer la source d'une vidéo : il montre les artefacts sur lesquels repose sa décision. Le modèle est accompagné de Verus-Bench, un benchmark où les artefacts perceptibles par l'humain sont annotés manuellement, jusque dans les détails les plus fins.

Le problème parlera à quiconque a déjà tenté de traquer des contenus synthétiques. Les générateurs vidéo gagnent en réalisme, et les défauts grossiers, comme des doigts qui fondent ou des textures qui scintillent, deviennent plus rares. Les détecteurs existants fondés sur les artefacts cherchent ces traces et s'en servent comme preuves pour identifier la source. Cette approche a deux points faibles. Le premier : le détecteur laisse passer les artefacts subtils. Le second, plus gênant : il peut arriver à la bonne réponse (« cette vidéo a été générée par tel modèle ») sans jamais désigner l'indice réel. Le verdict est juste, la justification est fictive. Pour la modération et les enquêtes, une telle réponse est quasiment inutilisable.

Trois compétences plutôt qu'un seul verdict

Les auteurs décrivent la détection comme un processus structuré reposant sur trois capacités complémentaires :

• Inspection Planning : décider ce qu'il faut examiner dans la vidéo — quelles zones, quels objets, quels fragments de mouvement.
• Evidence Verification : vérifier que le fragment choisi contient bien un artefact de génération, et non une particularité de la prise de vue, de la compression ou du montage.
• Evidence Aggregation : assembler les indices confirmés en une décision sur la source de la vidéo.

Ce découpage a un intérêt concret : chaque étape peut être évaluée séparément. Quand le détecteur se trompe, on voit où : il n'a pas regardé au bon endroit, il a regardé sans reconnaître l'artefact, ou il l'a reconnu mais a mal reconstitué le tableau d'ensemble. L'analyse approfondie montre que les trois compétences se complètent sans se réduire l'une à l'autre : renforcer l'une n'entraîne donc pas automatiquement un gain sur les autres.

Un entraînement avec l'humain dans la boucle

Verus-Insight a été entraîné selon un schéma de human-anchored full-process supervision : l'annotation humaine ancre dans des observations réelles tout le processus, du choix des zones à inspecter jusqu'à la décision finale, et pas seulement l'étiquette de sortie. Les auteurs ont aussi recouru au progressive capability training, un renforcement progressif des compétences. L'objectif est double : améliorer la détection des artefacts fins et la précision de la classification de la vidéo dans son ensemble.

Verus-Bench constitue un apport à part entière. La plupart des jeux de données de détection se limitent à une étiquette « réel ou généré ». Ici, les artefacts perçus font l'objet d'une annotation détaillée : on peut donc vérifier si le modèle trouve ce que l'humain voit, et pas seulement s'il devine la bonne réponse.

Ce que montrent les expériences

D'après les résultats sur plusieurs benchmarks, Verus-Insight affiche de solides performances, aussi bien dans l'analyse fine des artefacts que dans la détection de vidéos générées. Le gain est particulièrement net pour retrouver les artefacts que les humains remarquent. L'argument central des auteurs : le modèle transforme de façon plus fiable des cibles d'inspection pertinentes en indices confirmés, sans que le nombre de fausses déclarations d'artefacts n'augmente. C'est un point important : un détecteur qui accuse tout et n'importe quoi obtient facilement un rappel élevé, mais devient inutile en pratique.

À quoi cela peut servir

Pour les plateformes et les rédactions, la valeur tient à l'explicabilité. Un modérateur ou un fact-checker n'a pas besoin d'un pourcentage de confiance, mais d'une indication précise : voici l'image, voici la déformation, voici pourquoi c'est un signe de génération. La structure « plan — vérification — agrégation » s'accorde bien avec le travail d'un analyste humain et permet de lui transmettre les constats intermédiaires.

Pour les développeurs de détecteurs, on dispose d'une mesure plus fine que la précision habituelle : Verus-Bench permet de vérifier si le modèle s'appuie sur des indices réels ou sur des signaux statistiques, comme les traces d'un codec. Pour les développeurs de générateurs, le benchmark sert aussi de cartographie des défauts subtils que l'humain remarque encore et qu'il faut corriger.

La limite est évidente pour tout le domaine : l'ensemble d'artefacts est lié à la génération actuelle de générateurs. Avec de nouveaux modèles, les indices changeront et l'annotation devra être mise à jour. Mais l'approche elle-même, où le verdict doit s'appuyer sur des preuves vérifiées et pas seulement sur la bonne étiquette, semble un standard de travail crédible pour la prochaine génération de détecteurs.