这篇文档属于类型a，即报告一项原创研究的学术论文。以下是针对该研究的详细学术报告：
作者及机构
本研究的核心作者团队包括：Chang Liu（第一作者，*并列贡献）、Yunfan Ye（*并列贡献）、Fan Zhang、Qingyang Zhou、Yuchuan Luo和Zhiping Cai（†通讯作者）。主要研究机构为National University of Defense Technology（国防科技大学）和Hunan University（湖南大学）。论文发表于计算机视觉领域的顶级会议ICCV（International Conference on Computer Vision），并标注为开放获取版本。
科学领域与问题背景
随着生成式模型（如扩散模型）的快速发展，合成视频（尤其是模拟人类行为的视频）的逼真度显著提升，但同时也带来了信息安全和真实性验证的挑战。现有研究主要集中在二分类（真/假视频检测）或人脸伪造检测，但缺乏对伪造类型的细粒度分析，限制了检测的可靠性和可解释性。
研究动机
作者指出，现有方法无法区分伪造视频的具体异常类型（如空间、外观或运动异常），而这类区分对实际应用（如虚假内容溯源、模型缺陷诊断）至关重要。基于此，团队提出HumanSAM框架，首次将伪造视频分类扩展为多类别任务，涵盖三种人类中心异常类型：
1. 空间异常（Spatial Anomaly）：违反几何交互逻辑（如手穿透物体）；
2. 外观异常（Appearance Anomaly）：语义不一致（如人物年龄突变）；
3. 运动异常（Motion Anomaly）：非自然的运动模式（如头部与身体错位）。
研究目标
- 构建首个公开的Human-centric Forgery Video (HFV)数据集，涵盖三类异常标注；
- 提出融合视频理解与空间深度特征的双分支框架，提升分类鲁棒性；
- 设计基于排名的置信度增强策略，优化模型对困难样本的敏感性。
数据来源与处理
- 合成视频：从9个主流视频生成模型（如Minimax、Gen-3、Kling等）筛选人类行为视频，共6,570段，分辨率≥224×224。
- 真实视频：源自Kinetics-400（K400）数据集，810段。
- 多样性控制：覆盖20类背景和80类人类活动，确保数据代表性。
半自动标注流程
- 评分机制：利用预训练模型生成三类异常分数：
- 空间异常：基于单目深度估计（Depth Pro模型）与光流（RAFT）计算深度畸变误差；
- 外观异常：使用CLIP和DINOv2模型评估主体与背景一致性；
- 运动异常：通过光流失真误差量化运动合理性。
- 标签分配：根据分数排名自动分配主导异常类型，人工复核确保准确性。
- 数据集划分：每类异常前20%高分样本作为验证集，其余80%为训练集。
模型架构
- 视频理解分支（Video Understanding Branch）：基于InternVideo2模型，提取时空一致性特征，通过注意力池化（Attention Pooling）和平均池化（Average Pooling）融合全局信息。
- 空间深度分支（Spatial Depth Branch）：基于Depth Pro模型编码深度图，捕捉空间几何异常。
- 动态融合策略：学习参数α加权融合双分支特征，生成最终表征（Human Forgery Representation, HFR）。
在HFV数据集上，HumanSAM的平均准确率（ACC）达69.8%，AUC达88.0%，显著优于现有方法（如TimeSformer ACC 64.0%，MM-Det AUC 84.5%）。具体表现：
- 空间异常检测：在CogVideoX-5b数据集上ACC 75.6%，依赖深度特征的有效性；
- 运动异常检测：在Kling数据集上AUC 87.5%，验证光流分析的鲁棒性。
即使合并异常类别，HumanSAM在真实/伪造二分类任务中仍保持97.8% ACC和99.9% AUC，表明细粒度分类未牺牲基础性能。
对高斯模糊（σ=3）、JPEG压缩（Q=50）等后处理的AUC降幅≤3.9%，证明模型对扰动的稳定性。
科学意义
- 首次系统定义了人类中心伪造视频的细粒度异常类型，为生成模型缺陷分析提供理论框架；
- 提出的双分支融合和排名增强策略，为多模态特征融合与困难样本学习提供了新思路。
应用价值
- HFV数据集填补了细粒度伪造检测的基准空白；
- HumanSAM可应用于虚假内容审核、生成模型优化等场景，提升检测可解释性。
其他贡献
- 公开了完整的HFV数据集构建流程，包括评分算法与验证标准，推动领域标准化发展。
此研究为生成式视频检测领域提供了重要的方法论和基准资源，其技术路线与结论对后续工作具有广泛参考价值。