论文导读
上海交通大学、清华大学、上海人工智能实验室、北京邮电大学等机构提出ManiVid，让视频取证从“判断真假”进一步走向“标出哪里被改、说明为什么可疑”。研究团队构建约3.8万段带标注的篡改视频，并在专门测试中提升篡改区域定位和异常解释成绩。面对只改了车牌、背包或人脸局部的视频，审核者由此有机会看到更具体的证据，而不只是一个真假标签。
假视频不一定整段都是假的
如今的视频编辑工具可以保留原来的场景、动作和镜头运动，只把一小块内容换掉。比如把汽车车牌改成另一串字符，或在墙上添一只时钟，观看者可能觉得整体画面很自然。这样的局部篡改比整段生成的视频更难查：大部分像素都是真实的，问题只藏在边缘、光照、纹理或连续帧的一点不协调里。
团队首先把问题拆成三个可检查的答案：这段视频是否被改过；被改的是哪些像素区域；判断的依据是什么。ManiVid-38K覆盖移除、替换、变色、添加、材质变化和人像编辑等操作，同时配有原片与编辑片、像素掩码和文字解释。图中气球被移走、车牌被替换、背包变色等例子，显示了“真实背景加局部改动”的实际难度。
图：样例分别展示移除、替换、变色、人像编辑等局部视频改动及标注位置。
让模型一边找位置，一边说理由
ManiVidLens将视觉取证线索与语言模型的说明能力结合。它先从连续视频帧中提取可疑边界和局部细节，再把这些线索交给能够生成文字分析的模块；另一路负责把可疑区域定位到画面上。对读者而言，结果更像一份简短的检查报告：不是笼统说“假”，而是指出车牌边界异常、反光与周围光照不一致，或者某些纹理在相邻帧中闪动。
这种设计并不表示模型能自动证明视频的真实来源。它分析的是画面中可见的篡改迹象，结论仍需结合原文件、拍摄链路和其他核验资料。论文的框架图中也能看出，真假分类、文字解释与区域掩码来自不同但相互配合的输出，三者不能混为同一个指标。
图：ManiVidLens示意视频证据提取、文字解释与篡改区域定位三种输出。
这次提升具体在哪里
在ManiVidBench的测试口径下，论文报告区域定位取得0.407 mIoU和0.422 J&F，分别比所比较的此前方法提高约21.1%和21.3%。异常原因解释的ROUGE-L为0.583，相对基线提高131.3%；视频真假分类准确率为0.914。这些数字分别对应“圈得准不准”“说得像不像参考解释”和“判真假对不对”，不能把解释指标的涨幅直接当作识假准确率的涨幅。
下图给出蛋糕颜色、汽车方向盘和人像中新增时钟等编辑案例。可以看到，改变往往只占视频画面的一小部分，因此取证模型需要比“整段氛围不对”更细的定位能力。它对真实世界所有伪造手法的适用范围，仍有待在更复杂的来源和压缩条件下验证。
图：蛋糕配色、方向盘替换和画面新增时钟等局部编辑的前后对照。
下一步，视频审核可以多一步
对平台审核、媒体核查或安全团队来说，可解释取证的价值是让人工复核有具体落点：先看模型圈出的区域，再检查对应帧的边缘、阴影和时间连续性。ManiVid展示了把数据集、定位与文字说明一起评估的做法，也提醒我们，不应把任何单一检测分数理解成“看一眼就能判定所有视频真假”。下一步更值得关注的是不同生成工具、二次传播压缩和真实拍摄噪声下，这些可见线索还能否稳定保留。
