Verus-Insight учит детектор ИИ-видео находить и доказывать артефакты

Детекторы сгенерированного видео пока плохо объясняют свои вердикты. Команда авторов Verus-Insight разложила задачу на три отдельных навыка и обучила модель, которая не просто называет источник ролика, а показывает артефакты, на которых основано решение. Вместе с моделью вышел Verus-Bench — бенчмарк, где заметные человеку артефакты размечены вручную и в мелких деталях.

Проблема понятна каждому, кто пробовал ловить синтетику. Генераторы видео становятся реалистичнее, и грубые дефекты вроде плывущих пальцев или мерцающих текстур встречаются реже. Существующие детекторы на основе артефактов ищут такие следы и используют их как доказательство при определении источника. У подхода два слабых места. Первое: детектор пропускает тонкие артефакты. Второе, неприятнее: он может прийти к верному ответу «это сгенерировано такой-то моделью», так и не указав реальную улику. Вердикт правильный, обоснование фиктивное. Для модерации и расследований такой ответ почти бесполезен.

Три навыка вместо одного вердикта

Авторы описывают детекцию как структурированный процесс из трёх взаимодополняющих способностей:

• Inspection Planning: решить, что именно стоит осмотреть в видео — какие области, объекты, фрагменты движения.
• Evidence Verification: проверить, что в выбранном фрагменте действительно есть артефакт генерации, а не особенность съёмки, сжатия или монтажа.
• Evidence Aggregation: собрать подтверждённые улики в итоговое решение об источнике видео.

Такое разделение полезно тем, что каждый шаг можно оценивать отдельно. Если детектор ошибается, видно где: не посмотрел куда нужно, посмотрел и не распознал или распознал, но неверно сложил картину. Дальнейший анализ показал, что три навыка дополняют друг друга, но не сводятся один к другому, то есть усиление одного не даёт автоматически прирост в остальных.

Обучение с человеком в контуре

Verus-Insight обучали по схеме human-anchored full-process supervision: человеческая разметка привязывает к реальным наблюдениям весь процесс, от выбора мест осмотра до финального решения, а не только конечную метку. Дополнительно использовали progressive capability training, поэтапное усиление навыков. Цель двойная: улучшить поиск мелких артефактов и точность классификации видео целиком.

Отдельная ценность работы в Verus-Bench. Большинство датасетов для детекции дают только метку «настоящее или сгенерированное». Здесь есть детальная разметка воспринимаемых артефактов, поэтому можно проверять, находит ли модель то, что видит человек, а не только угадывает ответ.

Что показали эксперименты

Судя по результатам на разных бенчмарках, Verus-Insight демонстрирует сильные показатели и в тонком анализе артефактов, и в детекции сгенерированных видео. Особенно заметен выигрыш в восстановлении артефактов, которые замечают люди. Главный аргумент авторов в том, что модель надёжнее превращает релевантные цели осмотра в подтверждённые улики, при этом число ложных заявлений об артефактах не растёт. Это важно: детектор, который обвиняет всё подряд, легко получает высокую полноту и становится бесполезным на практике.

Где это пригодится

Для платформ и редакций ценность в объяснимости. Модератору или фактчекеру нужен не процент уверенности, а указание: вот кадр, вот искажение, вот почему это признак генерации. Структура «план — проверка — агрегация» хорошо ложится на рабочий процесс человека-аналитика и позволяет передавать ему промежуточные находки.

Для разработчиков детекторов появляется мерка получше обычной точности: Verus-Bench позволяет проверить, опирается ли модель на реальные улики или на статистические подсказки, например на следы кодека. Для разработчиков генераторов бенчмарк тоже полезен как карта тонких дефектов, которые пока замечает человек и которые стоит устранять.

Ограничение очевидное для всей области: набор артефактов привязан к нынешнему поколению генераторов. С новыми моделями улики будут меняться, и разметку придётся обновлять. Но сам подход, где вердикт должен быть подкреплён проверенными доказательствами, а не только верным ярлыком, выглядит рабочим стандартом для следующего поколения детекторов.