合成现实：评估人类区分AI生成视频与真实影像的能力
Synthetic Realities: Evaluating Human Ability to Distinguish AIGenerated Videos from Real Footage
预印本 · 尚未经过同行评审
87名被试辨别AI视频平均正确率60%，图生视频最易识别，文生视频最难。
生成式 AI 的最新进展为高保真视频合成提供了多种途径：文本生成视频、图像生成视频动画以及视频外扩。然而，针对未经训练的观看者如何感知并区分这些输出与真实影像的实证性并排评估仍然很少。在本研究中，我们系统比较了人类在三种主题语境（历史影像、影视与媒体内容、自然环境）下对这三种 AI 生成技术的检测准确率。我们构建了一个平衡的刺激集，包含等量的真实视频与 AI 生成视频（各 18 个）。AI 片段在三种生成方法之间均匀分布，分别使用 Google 的 Veo 3、Lightricks LTX Video 和 Wan VACE。所有视频均在 ComfyUI 框架内制作并标准化，以确保一致的质量与时长。87 名参与者在二选一强制选择任务（“真实” vs. “AI 生成”）中对每个片段进行判断。参与者平均正确识别视频的比例为 60%。图像生成视频片段被识别得最准确（79%），其次是真实影像（64%）、外扩（49%）和文本生成视频（43%）。准确率也因主题而异：影视与历史场景的检测率高于环境片段，后者常被误判为 AI。逻辑回归证实了技术与主题的显著效应及其交互作用（p < 0.001），表明检测成功与否共同取决于内容的生成方式与所描绘的内容。研究结果揭示了一种倾向于假定为合成来源的一致偏差，并强调 AI 视频中的感知真实感更多由语境而非模型类型所塑造，凸显了媒体素养方法与语境感知评估工具在应对日益合成的视觉媒体方面的重要性。
中文由 AI 翻译，仅供参考，以原文为准。
来源：arXiv · Human-Computer Interaction · arxiv.org