Verus-Insight: Towards Explainable Artifact Detection in AI-Generated Videos

Recent advances in video generation have made synthetic videos increasingly realistic, placing greater demands on reliable AI-generated video detection. Existing artifact-based detectors typically identify generation artifacts as evidence for source prediction, yet they may either fail to recognize subtle artifacts or reach the correct source decision without faithfully identifying the evidence underlying it. In this work, we systematically investigate how to design and train effective artifact detectors and formulate artifact detection as a structured process comprising three complementary capabilities: Inspection Planning, which determines what should be examined; Evidence Verification, which verifies whether the inspected content exhibits genuine generation artifacts; and Evidence Aggregation, which integrates the verified evidence into the final source decision. Building on this formulation, we introduce Verus-Insight, trained with human-anchored full-process supervision and progressive capability training to strengthen both fine-grained artifact detection and video-level detection. We further introduce Verus-Bench, a benchmark with fine-grained human annotations of perceptible artifacts for evaluating artifact detection. Extensive experiments across diverse benchmarks demonstrate that Verus-Insight achieves strong performance in both fine-grained artifact analysis and AI-generated video detection, with substantial gains in recovering human-perceived artifacts. Further analyses reveal that the three capabilities are complementary yet distinct, and that Verus-Insight more reliably converts relevant inspection targets into supported artifact evidence without increasing spurious artifact claims.

한 줄 요약

Verus-Insight는 AI 생성 영상의 아티팩트를 구조화된 세 단계로 분석하여 정확도와 해석성을 동시에 향상시키는 시스템이다.

핵심 기여도

Verus-Insight는 Inspection Planning, Evidence Verification, Evidence Aggregation의 세 단계를 통해 구조화된 아티팩트 탐지를 제안.
Verus-Bench라는 새로운 벤치마크를 소개, 미세한 아티팩트에 대한 인간 주석 데이터를 포함.
Verus-Insight는 Verus-Bench에서 Plan F1 24.70, Finding F1 15.97 달성.
Rubric-based 훈련을 제거하면 Plan F1이 24.70 → 21.54로 감소, 훈련 구성 요소의 중요성 입증.

핵심 아이디어

기존의 AI 생성 영상 탐지기는 아티팩트를 단순히 신뢰도 판단의 근거로 사용하지만, 구체적인 아티팩트를 정확히 식별하지 못하거나, 정확한 판단을 내리더라도 그 근거를 명확히 설명하지 못하는 문제가 있었다. 이를 해결하기 위해, Verus-Insight는 아티팩트 탐지를 세 가지 구조화된 능력으로 분리했다: Inspection Planning(검사 대상 결정), Evidence Verification(아티팩트 존재 여부 검증), Evidence Aggregation(증거 통합). 이는 단순히 영상이 생성되었는지 여부를 판단하는 것에서 벗어나, **구체적인 시공간적 증거**를 기반으로 판단을 내리는 방식을 제안한다. 특히, **human-anchored full-process supervision**과 **progressive capability training**을 통해 세 단계를 병렬적으로 훈련하여, 각 단계의 독립성과 상호보완성을 동시에 강화한다.

기술적 접근법

**Inspection Planning**: 영상 내에서 어떤 부분을 검사할지 결정.
**Evidence Verification**: 검사 대상이 실제 아티팩트인지 검증.
**Evidence Aggregation**: 검증된 증거를 종합하여 최종 판단 도출.
**훈련 전략**:
**Human-anchored full-process supervision**: 인간 주석을 기반으로 세 단계를 모두 훈련.
**Progressive capability training**: 단계별로 능력을 점진적으로 강화.
**Perceptual warm-up**: 초기 훈련 단계에서 시각적 특성을 학습.
**Reinforcement learning**: 최종 판단과 아티팩트 탐지 간 일관성을 강화.
**모델 성능 지표**: Plan F1, Finding F1, BA (Binary Accuracy) 등을 사용.

주요 결과

**Verus-Bench에서**: Plan F1 24.70, Finding F1 15.97 달성.
**RewardData에서**: Plan F1 31.33, Finding F1 35.42 달성.
**Plan-to-Evidence Conversion**: Verus-Bench에서 45.16% → 54.88%, RewardData에서 30.48% → 75.58% 향상.
**False Positive Rate (FPR)**: 실제 영상에서 가장 낮은 FPR 기록.
**Cross-dataset 평가**: ViF-CoT-4K에서 Plan F1 35.27 달성, VideoVeritas(8.08) 및 BusterX++(5.34) 대비 Finding F1 14.02로 우수.

의의 및 한계

Verus-Insight는 단순히 영상이 AI 생성인지 여부를 판단하는 것에서 벗어나, **구체적인 아티팩트 위치와 증거를 명확히 식별**함으로써 해석성을 높였다. 특히, 세 단계가 서로 보완적이면서도 독립적이라는 점에서, 기존의 통합형 모델과 구별된다. 그러나, 모든 영상 조건에서 균일한 성능 향상을 보장하지는 못하며, 일부 시공간 범위에서 개선 폭이 제한적이라는 한계가 있다. 또한, **Rubric-based 훈련**을 제거하면 성능이 감소하는 점에서, 인간 주석에 대한 의존도가 높다는 점도 지적할 수 있다.

실용적 활용

Verus-Insight는 미디어 진위 검증, 생성 품질 평가, 콘텐츠 안전 분석 등에서 활용 가능하다. 특히, **Verus-Bench**와 같은 세부 아티팩트 주석 데이터셋을 통해, 생성 모델의 개선 방향을 정확히 제시할 수 있어 연구 및 산업 현장에서 유용하게 사용될 수 있다.