生成AI映像の鑑定のためのENFエージェント型フレームワーク

- 生成AI製動画と実写動画を、生成側が制御できない信号であるENF(electric network frequency)で認証するforensic framework。 - 音声のmains-driven humと映像のflickerという2チャネルからENFを抽出する統合detectorを備える。 - 録画時刻の照合・未知時刻の復元を行うreference-matching channel、真正性とcontent-manipulation証拠を統合するtwo-axis agentic orchestratorを含む。 - 対象はvideo authenticationであり、生成映像の検出器劣化への対抗を狙う。

- 生成器のartefactに依存するlearned detectorsは未見モデルで精度が急落するのに対し、生成が制御しないENF信号に依拠する点が差異。 - 音声・映像を単一のsecond harmonic estimatorと共有networkで扱うtwo-channel detectorは統合的な設計。 - ラベル付きENFデータの不足をsynthetic-injection trainingで補う点、reference-matchingで録画時刻を検証・復元する点が先行研究に対する特徴。 - agentic cascadeによりflat ensembleと同等精度を保ちつつ計算コストを削減。

- 音声とrolling-shutter映像から、単一のsecond harmonic estimatorと共有networkを用いるtwo-channel detectorでENFを抽出。 - Ornstein-Uhlenbeck drift modelに基づき実録音にanchorしたsynthetic-injection trainingで、ENFラベル不足を克服。 - reference-matching channelで申告録画時刻の検証と未知時刻の復元を実施。 - two-axis agentic orchestratorが録画真正性とcontent-manipulation証拠をasymmetric ruleで融合し、必要な場合のみ高コストdetectorへescalate。

- held-out real recordingsで、detectorがgenuine audioを93%、videoを100%でaccept(naive baselinesは53%と15%)。 - claimed-time authenticationでAUC 1.0を達成。 - agentic cascadeはflat ensembleと同等の精度を維持しつつ、wall-clock timeを54%、decoded framesを64%削減。

- 中心的な知見として、生成映像にもENF帯のflickerが実写と区別できない程度に存在するため、その存在自体は真正性の証明にならないと再定義。 - よって認証は存在ではなく独立referenceとのconsistencyに依拠すべきと主張。 - 生成映像におけるENF帯flickerの由来や、他生成モデル・編集操作への一般化については要旨からは不明。

- 要旨で参照・比較されている研究は明示されていない。 - 関連手法として、ENF-based forensic authentication、rolling-shutterに基づくENF抽出、Ornstein-Uhlenbeck processによるdrift modeling、agentic cascade/ensemble selection、generative video detectionの定番手法を次に読む候補とする。