VeriScene: Reconstructing Crime Scenes from Legal Evidence via World-Model Agent
作者: Kevin Chuanpu Fu, Yongsen Zheng, Zee Kin Yeong, Kwok-Yan Lam
分类: cs.CV, cs.CR
发布日期: 2026-09-08
💡 一句话要点
提出VeriScene以重建犯罪现场并解决证据整合问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱四：生成式动作 (Generative Motion) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多模态融合 犯罪现场重建 法医学 世界模型 动态验证 证据整合 审计循环
📋 核心要点
- 现有方法在法医学应用中存在证据整合不足的问题，可能导致证据丢失和矛盾信息的处理不当。
- 论文提出的VeriScene通过审计循环和动态验证，能够有效整合多模态证据并生成物理合理的犯罪现场重建。
- 在25个犯罪场景的测试中，VeriScene在事实一致性和时间连贯性上分别提升了20.35%和34.88%，显示出显著的性能优势。
📝 摘要（中文）
世界模型通过多模态输入（如文本、照片和图表）生成符合物理规律的动态场景，进而实现将多模态法律证据融合以重建犯罪现场的应用。然而，直接将未经整理的证据输入世界模型在法医学中存在问题：它可能忽略证据、掩盖矛盾证词，并产生违反证据记录的运动。本文提出VeriScene，一个协调世界模型的代理，能够从法医照片和不同可靠性的证人陈述中重建犯罪现场，确保每个主张可追溯到证据且每个运动在物理上合理。VeriScene通过审计循环迭代融合证据，验证假设动态，并从融合的关键帧生成重演视频。在25个犯罪场景的基准测试中，VeriScene在20个测试场景上达到了0.9014的证据覆盖率和0.7217的事实一致性，显著优于基线模型。
🔬 方法详解
问题定义：本文旨在解决如何有效整合多模态法律证据以重建犯罪现场的问题。现有方法在处理证据时，往往会忽略重要信息或产生不合理的运动，导致法医学应用的失败。
核心思路：VeriScene的核心思路是通过一个审计循环来迭代融合证据，确保每个主张都能追溯到具体证据，同时通过物理约束验证运动的合理性。
技术框架：整体架构包括证据融合模块、审计循环、动态验证模块和重演视频生成模块。证据融合模块负责整合不同来源的证据，审计循环确保信息的准确性，动态验证模块通过世界模型验证假设的动态，最后生成重演视频。
关键创新：VeriScene的创新在于其审计循环和动态验证机制，使得每个运动都在物理上合理，并且所有主张都可追溯到证据。这与现有方法的直接输入方式形成了鲜明对比。
关键设计：在设计中，VeriScene使用了特定的损失函数来平衡证据覆盖率和事实一致性，同时采用了多模态学习框架以处理不同类型的输入数据。
🖼️ 关键图片
📊 实验亮点
在25个犯罪场景的基准测试中，VeriScene在20个测试场景上达到了0.9014的证据覆盖率和0.7217的事实一致性，分别比基线模型提升了20.35%和34.88%。这一结果表明，VeriScene在整合多模态证据和生成物理合理的动态场景方面具有显著优势。
🎯 应用场景
VeriScene的研究成果在法医学、法律调查和安全领域具有广泛的应用潜力。通过重建犯罪现场，能够为案件提供更为直观和可信的证据支持，帮助司法系统更好地理解和处理复杂案件。此外，该技术也可扩展至其他需要多模态证据整合的领域，如事故重建和历史事件分析。
📄 摘要（原文）
World models take multimodal inputs like text, photos, and diagrams to generate dynamic scenes in accordance with the laws of physics, thus opening a compelling application: fusing multimodal legal evidence to re-create a crime scene and re-enact how an offence could have been committed. However, feeding the raw, unorganized evidence into a world model fails in forensic use: it silently drops evidence, glosses over contradictory testimony, and produces motion that violates the evidentiary record. This paper presents VeriScene, an agent that orchestrates the world model: it reconstructs crime scenes from forensic photographs and witness statements of varying reliability, keeping every claim traceable to evidence and every motion physically plausible. VeriScene iteratively fuses the evidence into a cited narrative under an auditing loop, verifies the hypothesized dynamics via probe rollouts in the world model with corrective constraint injection, and renders the offence as a re-enactment video from a fused keyframe. On a benchmark of 25 crime scenarios across 7 physically-driven case types (139 forensic-style photographs and 65 statements with planted unreliability), VeriScene attains 0.9014 evidence coverage and 0.7217 factual consistency (0-1 scale) on the 20 test scenes, outperforming an end-to-end multimodal-LLM baseline by 20.35% in factual consistency and 34.88% in temporal coherence, while generalizing across four LLM orchestration backends at USD 1.82 per scene.