未修剪长视频中操纵片段的可解释取证

人工智能驱动的视频生成的快速发展改变了内容创作，同时通过长视频的本地化操作增加了错误信息的风险。现有的视频取证方法主要针对简短的独立剪辑进行操作，因此无法捕获人工智能生成的内容稀疏地嵌入其他真实镜头中的真实场景。为了弥补这一差距，我们制定了人工智能生成的时间片段定位和解释任务，其目标是真实性检测、时间定位以及对未经修剪的长视频中的操纵片段进行可解释的分析。我们进一步介绍 TASLE，这是一个大规模基准测试，由 12,472 个未经修剪的视频组成，具有不同的操作模式和丰富的注释信号，包括时间边界、真实性标签和片段级基本原理。此外，我们提出了 MSLoc，一种从粗到细的取证基线，它将用于高效长视频扫描的边界敏感提议生成模块与用于精确边界定位和可解释推理的基于 MLLM 的细化模块相结合。实验验证了所提出的基线的有效性，强调了分段级可解释取证对于长格式人工智能生成的视频分析的重要性。我们的数据集和代码可在 https://debby-0527.github.io/TASLE 上公开获取。