Nvidia представила микросервис для обнаружения синтетических видео с точностью до 92%
Новый детектор синтетического видео (Synthetic Video Detector, SVD) от компании Nvidia способен идентифицировать поддельные видеоролики, созданные с помощью искусственного интеллекта, с точностью до 92%. Данный микросервис, основанный на передовых научных исследованиях, направлен на борьбу с распространением дезинформации в телевещании и обеспечивает время обработки всего 22 миллисекунды.
В условиях, когда технологии искусственного интеллекта все активнее проникают в интернет, становится сложнее отличить реальный контент от фейковых новостей. Любое изображение или видеоролик могут быть сгенерированы ИИ, а традиционные признаки подделки быстро исчезают. В ответ на эту проблему Nvidia выпустила собственный инструмент под названием Synthetic Video Detector (SVD).
SVD представляет собой микроинференс-сервис (NIM) от Nvidia и входит в программу «AI for Media Private Access Program». Сервис не доступен для широкого круга потребителей, однако существует его демонстрационная версия. Основная задача SVD заключается в определении того, является ли видеоролик аутентичным или сгенерированным искусственным интеллектом. Система способна анализировать видео в больших масштабах, разбирая их по кадрам для выявления аномалий. Разработка базируется на исследованиях, получивших награды на конференции по компьютерному зрению ICCV.
В отличие от анализа видеозаписи целиком, SVD разделяет ее на обрезанные кадры с разрешением 504x504 пикселей. Эти кадры проходят через два мощных визуальных трансформатора (Vision Transformers), разработанных компанией Meta*: DINOv2 и DINOv3. Задача таких моделей заключается в обучении распознаванию паттернов без необходимости использования данных, размеченных человеком. Визуальные трансформеры обычно применяются для классификации изображений, поиска по изображениям, обнаружения объектов и оценки глубины сцены.
После прохождения через указанные трансформаторы пространственные особенности каждого кадра быстро оцениваются, и каждому присваивается балл в диапазоне от 0 до 1, где 0 означает полностью реальное изображение, а 1 — полностью поддельное. В конце процесса подсчитывается средний показатель, который указывает пользователю на аутентичность видеоролика в процентах (из 100).
Такой подход позволяет новостным агентствам, телевизионным каналам и медиа-ресурсам значительно быстрее и с большей уверенностью проверять полученный видеоматериал. SVD разработан с учетом особенностей компрессии социальных сетей: поскольку при загрузке видео в интернет их артефакты могут маскироваться, трансформаторы способны выявлять паттерны, невидимые человеческому глазу, обращая внимание на внутренние артефакты вместо поверхностных аномалий.
Согласно представленным данным бенчмарка AI GVD, наилучшие результаты демонстрируются при работе с несжатым видео: точность SVD достигает 92%. При уровне компрессии 15% точность снижается до 87%, тогда как при компрессии 50% модель все еще сохраняет впечатляющие 82% точности в обнаружении контента, созданного ИИ. Поскольку система реализована в виде микросервиса, она обладает низким временем задержки: обработка видео разрешением 1080p занимает всего 22 миллисекунды на графических процессорах Nvidia серии RTX и 30 миллисекунд на рабочих станциях Nvidia.
Следует отметить, что для работы SVD требуется кодек NVENC, поэтому серверные карты дата-центров, такие как B100, не могут запускать его в нативном режиме. Компания Nvidia сообщила о сотрудничестве с платформой Wowza для интеграции обнаружения синтетического видео в реальном времени в рабочие процессы прямых трансляций. Демонстрационная версия сервиса доступна для тестирования на сайте build.nvidia.com, однако пользователи отмечают длительные сроки обработки из-за облачного выполнения задач, ограничение размера файла до 100 МБ и частые таймауты.
Аналитическая справка:
- Терминология: В оригинальном тексте используется аббревиатура «AI GVD bench». В контексте статьи речь идет о Synthetic Video Detector (SVD). Вероятно, «GVD» является опечаткой или устаревшим внутренним названием проекта в источнике (Tom's Hardware), либо сокращением от General Video Detection. В переводе сохранена ссылка на бенчмарк как данность источника, но акцент сделан на SVD.
- Технические детали: Упоминаются модели DINOv2 и DINOv3 от Meta. DINO (Self-Distillation with No Labels) — это метод самообучения для компьютерного зрения. На момент написания оригинальной новости версия DINOv3 могла быть еще не публично анонсирована или находилась в стадии исследований, что соответствует упоминанию «cutting-edge research» (передовые исследования).
- Аппаратные ограничения: Указание на невозможность запуска на картах B100 связано с отсутствием аппаратного кодировщика NVENC в некоторых конфигурациях серверных GPU, что является специфическим техническим ограничением архитектуры Nvidia.
Поделиться
