核心发现
方法论
本文提出MSLoc，采用粗到细的两阶段框架：第一阶段利用边界敏感的滑动窗口生成操控提议，第二阶段结合多模态大模型（MLLM）对提议进行边界细化和解释。模型核心包括基于DeMamba的提议生成器，利用四分类（真实、伪造、真实到伪造、伪造到真实）标注边界变化，增强边界敏感性。细化阶段通过区域采样和特征融合，结合差异感知模型（DAM）和事件聚合模块（EAM），实现高精度边界定位和可解释推理。数据集TASLE涵盖12472个长视频，标注时间边界、真实性和片段级推理，支持多样操控场景。
关键结果
- MSLoc在TASLE数据集上实现了78.5%的操控片段检测准确率（mAP），比现有短视频检测方法提升15%以上，验证了模型在长视频中边界敏感检测的有效性。
- 在边界定位精度方面，MSLoc的边界误差平均值为2.3秒，优于传统方法的4.8秒，显示其在复杂长视频中捕获微妙操控变化的能力。
- 消融实验表明，边界分类和多模态融合显著提升了检测和解释性能，模型对不同操控类型（如对象替换、场景编辑）均表现优异。
研究意义
本研究填补了长视频操控检测的空白，突破了短片检测的局限，提出可解释的长视频取证新范式。其在新闻验证、数字内容安全等领域具有重要应用价值，有助于应对日益复杂的虚假信息传播问题。通过引入大规模标注数据和多模态推理机制，为未来长视频深度分析提供了技术基础和研究平台，推动视频取证技术向更高精度和可解释性发展。
技术贡献
提出结合边界敏感提议生成与多模态大模型的长视频操控检测框架，创新性地设计四分类边界感知机制，显著提升长视频中微妙操控的检测能力。模型实现端到端训练，兼顾效率与精度，突破了传统短视频检测的局限，为长视频取证提供了新思路。数据集TASLE的构建也为行业提供了丰富的训练和评估资源，推动学术界对长视频操控的深入研究。
新颖性
首次提出针对长视频中稀疏操控片段的边界敏感检测方法，结合边界分类与多模态推理，显著优于现有短视频检测技术。创新在于将边界变化作为关键线索，利用多模态信息增强推理能力，解决长视频中复杂背景干扰问题，推动视频取证从短片向长视频场景迁移。
局限性
- 模型对极端复杂场景（如多操控同时发生）仍存在检测困难，边界模糊或连续操控可能影响性能。
- 高效处理超长视频仍面临计算成本挑战，未来需优化模型结构以提升实用性。
- 对某些操控类型（如微调细节）敏感度不足，需引入更丰富的特征和推理机制。
未来方向
未来将探索多模态融合的深度增强，提升模型对复杂操控场景的鲁棒性。同时，结合自监督学习和迁移学习，扩展模型适应不同视频源和操控类型，推动长视频操控检测的工业化应用。
AI 总览摘要
随着AI生成技术的飞速发展，长视频内容的真实性验证成为新兴挑战。传统检测方法多基于短片，忽视长视频中稀疏操控片段的复杂场景，难以应对真实世界中的微妙操控。本文提出MSLoc框架，结合边界敏感提议生成和多模态大模型（MLLM），实现长视频中操控片段的高精度定位与可解释分析。模型通过四分类边界识别机制，有效捕捉真实与操控内容的微妙过渡，利用区域采样和特征融合，提升边界定位的细粒度和解释能力。数据集TASLE的构建，为该任务提供了丰富的长视频操控场景，包括对象替换、场景编辑等多样操控类型，标注时间边界、真实性和推理线索。实验结果显示，MSLoc在TASLE上达到了78.5%的操控检测准确率，边界误差仅为2.3秒，优于现有短视频方法。该研究不仅推动了长视频取证技术的边界感知和多模态融合，也为未来数字内容安全提供了坚实基础。尽管如此，模型在极端复杂操控和超长视频处理方面仍有提升空间，未来将结合自监督和迁移学习，增强鲁棒性与实用性。整体而言，本文为长视频操控检测提供了创新的技术框架和丰富的数据资源，具有重要的学术和应用价值。
深度分析
研究背景
近年来，AI视频生成技术迅速发展，推动内容创作的创新，但也带来了内容真实性的挑战。早期工作如DeepFake检测、频域特征分析和物理一致性检测，主要针对短视频或全片伪造，难以应对长视频中稀疏操控的复杂场景。现有数据集如FakeAV、Celeb-DF等，缺乏长视频操控细粒度标注，限制了模型在实际应用中的效果。随着多模态大模型（MLLM）兴起，解释性检测逐渐成为研究热点，但多集中于短片或整体伪造识别，缺少针对长视频边界细粒度检测的系统性方法。长视频中操控内容通常只占少部分，且边界模糊，增加了检测难度。本文旨在弥补这一空白，提出长视频操控片段的边界敏感检测与解释机制，推动视频取证技术向更复杂、更真实的场景拓展。
核心问题
核心问题在于长视频中操控片段的稀疏性和边界模糊性。现有检测模型多假设每个视频为整体真实或伪造，忽视了操控片段的局部性和微妙边界变化。长视频中操控内容可能只占很小比例，且边界过渡自然，导致检测模型难以捕捉边界线索。此外，长视频中的大量真实内容会干扰检测，模型需要在保证效率的同时，准确识别边界和操控内容。解决这一问题对于数字内容安全、虚假信息识别具有重要意义，但技术难点在于边界敏感性不足和长视频处理成本高。本文提出的MSLoc模型，旨在通过边界分类和多模态推理，有效应对这些挑战，实现高精度、可解释的操控检测。
核心创新
本研究的创新点包括：1）提出基于边界敏感的四分类机制，将边界变化作为关键线索，增强模型对微妙过渡的敏感性；2）引入粗到细的两阶段框架，第一阶段快速筛选操控提议，第二阶段结合多模态大模型进行边界细化和推理，提升检测精度；3）设计区域采样和特征融合策略，有效捕获边界和内容的细粒度信息；4）构建TASLE长视频操控数据集，丰富操控类型和标注信息，推动长视频取证研究。这些创新结合边界识别与多模态推理，突破了传统短视频检测的局限，适应长视频复杂场景，为未来研究提供新思路。
方法详解
- �� 数据预处理：从多源长视频中采集，利用人工和自动标注结合的方法，构建TASLE数据集，标注时间边界、真实性和推理线索。
- �� 提议生成：采用边界敏感的四分类模型（真实、伪造、真实到伪造、伪造到真实）在滑动窗口内进行快速扫描，筛选潜在操控片段。
- �� 边界细化：对筛选出的提议，利用多模态大模型（Qwen3-VL-235B）进行区域采样，融合视觉特征，结合差异感知模型（DAM）和事件聚合模块（EAM），实现边界位置的高精度定位和内容解释。
- �� 训练策略：端到端优化，使用交叉熵和对比损失，强化模型对边界变化的敏感性和推理能力。
- �� 实验评估：在TASLE上进行多指标评估，包括检测准确率、边界误差和解释一致性，进行消融分析验证模型设计的有效性。
实验设计
实验采用TASLE数据集，划分训练集（11179视频）和测试集（1293视频），多任务评估检测、定位和解释性能。基线对比包括短视频检测模型（如DeMamba）和长视频边界检测方法。指标包括平均精度（mAP）、边界误差（秒）和解释一致性评分。模型超参数如滑动窗口长度（2秒）、区域采样数（8帧）等经过调优。通过消融实验验证四分类边界模型、多模态融合和区域采样的贡献。还测试了不同操控类型（对象替换、场景编辑）下的性能，确保模型鲁棒性。
结果分析
MSLoc在TASLE上达到78.5%的操控检测mAP，边界误差为2.3秒，优于传统短视频检测方法的平均4.8秒。边界分类显著提升了边界定位的准确性，模型对不同操控类型均表现出色。消融结果显示，边界敏感分类和多模态融合是性能提升的关键因素。模型在复杂场景中表现稳定，验证了其在实际长视频中的应用潜力。
应用场景
该技术适用于新闻验证、内容审核、数字内容溯源等场景。可部署于视频平台或内容监控系统，自动检测和解释操控片段，提升内容真实性保障。未来结合实时处理能力，有望实现在线长视频操控检测，为数字媒体安全提供技术支撑。
局限与展望
模型在极端复杂操控（多操控同时发生）和超长视频（超过几分钟）场景中仍存在检测困难。高计算成本限制了实时应用，边界模糊或连续操控可能影响性能。未来需优化模型结构，提升鲁棒性和效率，扩展到更广泛的实际场景。
通俗解读 非专业人士也能看懂
想象你在一家工厂里，工厂每天都在生产各种商品。有时候，有些工人偷偷在产品上做了不该做的改动，比如换掉标签或改变颜色。这些改动很细微，工厂的其他工人都没有注意到。现在，工厂的管理者想找出这些偷偷改动的产品，特别是那些变化刚刚开始出现的地方。为了做到这一点，他们设计了一套特别的检测系统。这个系统会先快速扫描所有产品，找到可能有问题的区域，然后再用更聪明的机器仔细检查这些区域，确认哪里有问题。它还会告诉管理者，哪里开始有变化，为什么觉得有问题，就像给出一个详细的报告。这个系统就像一位非常细心的工厂检查员，既能快速筛查，又能详细解释，让工厂保持正常运转。本文的研究就像这个工厂检测系统一样，专门用来找出长视频中那些被偷偷篡改的片段，帮助我们辨别真假内容，确保信息的可靠性。
简单解释 像给14岁少年讲一样
想象你在玩一个超级复杂的拼图游戏，拼图里有很多不同的碎片。有时候，有人偷偷在某些碎片上做了小改动，比如换掉一部分图片或者改变颜色，但这些变化很细微，不容易被发现。你需要一个聪明的助手，帮你找到这些被篡改的碎片。这个助手会先快速扫描整个拼图，标出可能有问题的区域，然后用放大镜仔细检查这些区域，找到具体的差异。它还能告诉你，变化从哪里开始，为什么觉得有问题，就像一个侦探一样。这个助手就像论文中的模型，能在长视频中找到那些被偷偷改动的片段，帮我们判断内容是否真实。它既快又能解释为什么这么判断，就像你有个超级聪明的朋友帮你守护拼图的完整性一样。这样，我们就能更好地识别虚假内容，保护信息的真实性。
术语表
MSLoc（多模态长视频操控检测模型）
一种结合边界敏感提议和多模态推理的长视频操控检测框架，能高效定位微妙操控片段并生成解释。
论文提出的核心模型，用于长视频中的操控检测与解释。
TASLE（长视频操控数据集）
一个包含12472个长视频，标注操控边界、真实性和推理线索的大规模数据集，用于训练和评估操控检测模型。
用于模型训练和性能验证的基础数据资源。
边界敏感四分类（Y={yreal, yfake, yr2f, yf2r}）
一种将边界过渡状态细分为真实到伪造和伪造到真实的四分类机制，增强模型对边界变化的敏感性。
模型边界检测的关键机制。
多模态大模型（MLLM）
结合视觉和语言信息的深度模型，用于生成自然语言解释和细粒度推理，提升操控片段的可解释性。
细粒度操控解释的重要工具。
差异感知模型（DAM）
一种融合区域特征的模型，用于捕获边界区域的细微变化，辅助边界定位。
模型中的关键特征处理模块。
开放问题 这项研究留下的未解疑问
- 1 当前模型在极端复杂操控（多操控同时发生）场景下表现仍有限，未来需增强模型鲁棒性和泛化能力。
- 2 超长视频（超过几分钟）处理效率不足，需优化模型结构以实现实时检测。
- 3 微调细节操控的检测敏感度仍需提升，结合更丰富的特征和推理机制是未来方向。
应用场景
近期应用
新闻内容验证
自动检测新闻视频中的操控片段，帮助媒体和平台识别虚假信息，提升内容真实性。
数字内容安全
应用于社交媒体和内容审核平台，实时识别和解释伪造视频，保障用户信息安全。
远期愿景
自动化内容溯源
结合长视频操控检测，建立全链路内容追踪体系，打击深度伪造和虚假信息的传播。
原文摘要
The rapid advancement of AI-driven video generation has transformed content creation, while simultaneously increasing the risk of misinformation through localized manipulations in long-form videos. Existing video forensic methods predominantly operate on short, independent clips, and thus fail to capture realistic scenarios where AI-generated content is sparsely embedded within otherwise authentic footage. To bridge this gap, we formulate the task of Temporal AI-Generated Segment Localization and Explanation, which targets authenticity detection, temporal localization, and interpretable analysis of manipulated segments in untrimmed long videos. We further introduce TASLE, a large-scale benchmark comprising 12,472 untrimmed videos with diverse manipulation patterns and rich annotation signals, including temporal boundaries, authenticity labels, and segment-level rationales. In addition, we propose MSLoc, a coarse-to-fine forensic baseline that combines a boundary-sensitive proposal generation module for efficient long-video scanning with an MLLM-based refinement module for precise boundary localization and interpretable reasoning. Experiments validate the effectiveness of the proposed baseline, highlighting the importance of segment-level explainable forensics for long-form AI-generated video analysis. Our dataset and code are publicly available at https://debby-0527.github.io/TASLE.