TRACE: Trajectory Representation and Consistency Estimation for AI-Generated Video Detection

📄 arXiv: 2609.25775v1 📥 PDF

作者: Huangsen Cao, Hongkang chu, Siyao Yu, Xin Ding, Jianfeng Dong, Yongwei Wang

分类: cs.CV

发布日期: 2026-09-22

💡 一句话要点

提出TRACE以解决AI生成视频检测中的一致性问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: AI生成视频 视频检测 速度响应 轨迹表示 一致性估计 取证信号 预训练模型 深度学习

📋 核心要点

  1. 现有的合成视频检测方法依赖于特定生成器的特征，导致在未见生成模型上的泛化能力不足。
  2. TRACE框架通过利用预训练的流匹配模型提取速度响应，建模相邻帧之间的速度差异，从而增强检测的鲁棒性。
  3. 在AIGVDBench上的实验结果显示，TRACE在多种生成器上表现优异，显著提高了检测准确率，超越了现有方法。

📝 摘要（中文）

随着生成视频模型的进步，合成视频检测面临重大挑战。现有检测器通常依赖于视觉伪影、语义不一致性和时间模式，这些特征可能特定于生成器，限制了对未见合成模型的泛化能力。我们研究了预训练生成模型的响应是否提供了更具可转移性的取证线索。我们的关键观察是，真实视频和AI生成视频在预训练的流匹配视频模型下表现出不同的速度响应。这种区别在使用不同的预训练视频生成骨干时仍然存在，表明速度响应提供了超越视觉伪影的可转移取证信号。基于此观察，我们提出了TRACE（轨迹表示与一致性估计），这是一个生成过程感知的AI生成视频检测框架。TRACE利用预训练的视频DiT作为速度场探针，在多个流时间点提取表示，并通过相邻帧之间的速度差建模跨帧一致性。我们进一步引入了一个真实中心轨迹优化目标，鼓励生成器不变的表示学习。在AIGVDBench上的广泛实验表明，TRACE在多种生成器上有效泛化，显著超越了先前的最先进方法。

🔬 方法详解

问题定义：本论文旨在解决AI生成视频检测中的一致性问题，现有方法往往依赖于特定生成器的视觉特征，导致泛化能力不足。

核心思路：TRACE框架的核心思想是利用预训练的流匹配模型提取视频的速度响应，通过建模相邻帧之间的速度差异来增强检测的鲁棒性。

技术框架：TRACE的整体架构包括多个模块：首先，使用预训练的视频DiT作为速度场探针提取多时间点的表示；其次，通过速度差异建模相邻帧的一致性；最后，引入真实中心轨迹优化目标以促进生成器不变的表示学习。

关键创新：TRACE的主要创新在于引入速度响应作为可转移的取证信号，这一方法超越了传统的视觉伪影检测，提供了更强的泛化能力。

关键设计：TRACE的设计包括多个关键参数设置，如速度场探针的选择、损失函数的设计（包括真实中心轨迹优化目标），以及网络结构的优化，以确保在不同生成器上均能有效工作。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在AIGVDBench上的实验结果显示，TRACE在多种未见的开放源和闭源视频生成模型上显著超越了现有最先进的方法，检测准确率提升幅度达到了XX%，展现了其强大的泛化能力和有效性。

🎯 应用场景

TRACE框架在AI生成视频检测领域具有广泛的应用潜力，能够有效识别合成视频的真实性，适用于内容审核、版权保护和网络安全等多个领域。随着生成技术的不断进步，TRACE的实际价值和影响将愈加显著，推动相关技术的发展与应用。

📄 摘要（原文）

Recent advances in generative video models have enabled the synthesis of visually realistic content, posing significant challenges to synthetic video detection. Existing detectors often rely on appearance artifacts, semantic inconsistencies, and temporal patterns that may be generator-specific, limitating generalization to unseen synthesis models. We investigate whether responses to a pretrained generative model provide more transferable forensic cues. Our key observation is that real and AI-generated videos exhibit distinct \emph{velocity responses} under a pretrained Flow Matching video model. This distinction persists when different pretrained video-generation backbones are used as probes, suggesting that velocity responses offer transferable forensic signals beyond visual artificts. Motivated by this observation, we propose \textbf{TRACE} (\emph{\underline{T}rajectory \underline{R}epresentation \underline{a}nd \underline{C}onsistency \underline{E}stimation}), a generation-process-aware framework for AI-generated video detection. TRACE leverages a pretrained video DiT as a velocity-field probe to extract representations at multiple flow time points, and models cross-frame consistency through velocity differences between adjacent frames. We further introduce a \emph{Real-Centered Trajectory Optimization} objective that encourages generator-invariant representation learning. Extensive experiments on AIGVDBench demonstrate that TRACE generalizes effectively across diverse generators, substantially outperforming prior state-of-the-art methods on unseen open- and closed-source video generation models.