AI 생성 비디오 탐지를 위한 완벽한 솔루션

Your One-Stop Solution for AI-Generated Video Detection

최근 생성 모델 기술의 발전으로 생성된 매우 사실적인 합성 비디오가 등장하면서, 인간이 이를 실제 비디오와 구별하기가 점점 더 어려워지고 있으며, 신뢰할 수 있는 탐지 방법이 필요하게 되었습니다. 그러나 이 분야의 발전을 저해하는 두 가지 주요 제한 사항이 존재합니다. **데이터셋 관점에서 볼 때**, 기존 데이터셋은 규모가 제한적이며, 오래되거나 특정 범위의 생성 모델을 사용하여 구축되었기 때문에, 현대적인 생성 기술의 다양성과 빠른 발전을 포괄하기 어렵습니다. 또한, 데이터셋 구축 과정에서 종종 양보다 질이 우선시되어, 의미적 다양성, 시나리오 범위, 기술적 대표성과 같은 필수적인 측면이 간과됩니다. **벤치마크 관점에서 볼 때**, 현재 벤치마크는 주로 데이터셋 생성 단계에 머물러 있으며, 많은 기본적인 문제와 심층적인 분석이 체계적으로 탐구되어야 할 부분이 남아 있습니다. 이러한 격차를 해소하기 위해, 우리는 포괄적이고 대표성을 갖춘 벤치마크인 AIGVDBench를 제안합니다. AIGVDBench는 **31가지** 최첨단 생성 모델과 **44만 개** 이상의 비디오를 포함합니다. 우리는 **33가지** 기존 탐지기 (4가지 범주에 속함)에 대해 **1,500회** 이상의 평가를 수행했습니다. 본 연구에서는 다양한 관점에서 **8가지 심층적인 분석**을 제시하고, 미래 연구에 귀중한 통찰력을 제공하는 **4가지 새로운 발견**을 제시합니다. 우리는 이 연구가 AI 생성 비디오 탐지 분야의 발전을 위한 견고한 기반을 제공할 수 있기를 바랍니다. 저희 벤치마크는 https://github.com/LongMa-2025/AIGVDBench 에서 오픈 소스로 제공됩니다.

Recent advances in generative modeling can create remarkably realistic synthetic videos, making it increasingly difficult for humans to distinguish them from real ones and necessitating reliable detection methods. However, two key limitations hinder the development of this field. \textbf{From the dataset perspective}, existing datasets are often limited in scale and constructed using outdated or narrowly scoped generative models, making it difficult to capture the diversity and rapid evolution of modern generative techniques. Moreover, the dataset construction process frequently prioritizes quantity over quality, neglecting essential aspects such as semantic diversity, scenario coverage, and technological representativeness. \textbf{From the benchmark perspective}, current benchmarks largely remain at the stage of dataset creation, leaving many fundamental issues and in-depth analysis yet to be systematically explored. Addressing this gap, we propose AIGVDBench, a benchmark designed to be comprehensive and representative, covering \textbf{31} state-of-the-art generation models and over \textbf{440,000} videos. By executing more than \textbf{1,500} evaluations on \textbf{33} existing detectors belonging to four distinct categories. This work presents \textbf{8 in-depth analyses} from multiple perspectives and identifies \textbf{4 novel findings} that offer valuable insights for future research. We hope this work provides a solid foundation for advancing the field of AI-generated video detection. Our benchmark is open-sourced at https://github.com/LongMa-2025/AIGVDBench.