DVAR：视频真实性检测的对抗性多智能体辩论

视频生成技术的快速发展对媒体取证提出了重大挑战，因为传统的检测方法往往无法推广到其训练分布之外。为了解决这个问题，我们提出了 DVAR（基于辩论的视频真实性推理），这是一个 无需训练 框架，它将视频检测重新表述为结构化的多智能体取证推理过程。 DVAR 超越了模式匹配的范式，精心策划了生成假设智能体和自然机制智能体之间的竞争。通过反复的盘问，这些Agent针对异常证据捍卫了各自的解释，推动了逻辑趋同，真相从严格的压力测试中浮现出来。为了裁决这些相互冲突的主张，我们通过最小描述长度（MDL）框架应用奥卡姆剃刀，定义解释成本来量化每个推理路径的“逻辑负担”。此外，我们还集成了 GenVideoKB，这是一个动态知识库，可提供有关生成边界和故障模式的高级推理启发法。大量实验表明，DVAR 与有监督的最先进方法相比，实现了具有竞争力的性能，同时对看不见的生成架构表现出卓越的泛化能力。通过将检测转变为透明的辩论，DVAR 为稳健的视频真实性评估提供了明确的、可解释的推理轨迹。