SafeGuard：用于社会风险人工智能生成视频检测的多智能体感知推理框架

随着视频生成范式从局部操作发展到全场景合成，人工智能生成的视频检测变得越来越具有挑战性，因为伪造品表现出连贯的全局结构和高感知真实性。然而，现有的基准偏向于感知保真度，并且主要基于感知伪影来评估检测器，对需要推理违反物理定律、结构一致性或社会逻辑的场景的覆盖范围有限。这种数据集偏差塑造了当前的方法并导致了感知推理差距：以工件为中心的模型捕获了低水平的统计不规则性，但缺乏语义推理，而视觉语言模型执行语义推理，但对细粒度的取证线索仍然不敏感。为了弥补这一差距，我们提出了 SafeGuard，这是一个多代理框架，可以实现取证感知和语义推理之间的协作专业化。分层感知求解器提取细粒度的取证证据，而自我反思验证器则强制语义推理和物理合理性之间的一致性，形成可解释的证据链。为了支持评估，我们引入了 SafeVid，这是一种新颖的人工智能生成的视频检测基准，由涵盖 10 个社会风险类别的 2 万个视频组成，旨在评估物理合理性、结构一致性和社会行为的合理性。大量实验证明了 SafeGuard 的通用性，将 SafeVid 的准确性提高了 18.7%，并且在四个公共基准测试中始终优于先前的方法。