CVPR 2025｜腾讯优图实验室22篇论文入选，含深度伪造检测、自回归视觉生成、多模态大语言模型等研究方向

近日， CVPR 2025（IEEE/CVF Conferenceon on Computer Vision and Pattern Recognition）论文录用结果揭晓，本次大会共2878篇被录用，录用率为22.1%。CVPR是计算机视觉领域的顶级国际会议，CCF A类会议，每年举办一次。CVPR 2025将于6月11日-15日，在美国田纳西州纳什维尔音乐城市中心召开。

SCI+CCF投稿信息内容整合

---

今年，腾讯优图实验室共有22篇论文入选，内容涵盖深度伪造检测、自回归视觉生成、多模态大语言模型等研究方向，展现了优图在人工智能领域的技术能力与创新突破。

以下为入选论文概览：

基于视频混合增强和时空适配器的深度伪造视频检测方法

Generalizing Deepfake Video Detection with Plug-and-Play: Video-Level Blending and Spatiotemporal Adapter Tuning

Zhiyuan Yan (北大), Yandan Zhao, Shen Chen, Mingyi Guo (北大), Xinghe Fu, Taiping Yao, Shouhong Ding, Li Yuan (北大)

当前深度伪造视频检测的发展面临三大关键挑战：（1）时间特征可能复杂且多样：如何识别通用的时间伪影以增强模型的泛化能力？（2）时空模型往往过度依赖一种类型的伪影而忽视另一种：如何确保从两者中平衡学习？（3）视频处理自然需要大量资源：如何在保证准确性的前提下提升效率？本文尝试同时解决这三个挑战。首先，受图像伪造检测中使用图像级混合数据的显著泛化性启发，我们探讨了视频级混合在视频检测中的有效性。随后，我们进行了深入分析，发现了一种先前未被充分研究的时间伪造伪影：面部特征漂移（FFD），这种伪影在不同伪造视频中普遍存在。为了重现FFD，我们提出了一种新颖的视频级混合数据（VB），通过逐帧混合原始图像及其扰动版本，作为挖掘更通用伪影的困难负样本。其次，我们精心设计了一个轻量级的时空适配器（StA），使预训练的图像模型能够高效地同时捕捉空间和时间特征。StA采用双流3D卷积设计，具有不同大小的卷积核，使其能够分别处理空间和时间特征。大量实验验证了所提方法的有效性，并表明我们的方法能够很好地泛化到之前未见过的伪造视频，即使是针对最新一代的伪造方法。

 论文链接：

https://arxiv.org/pdf/2408.17065

---

TIMotion：高效双人动作生成的时序与交互框架

TIMotion: Temporal and Interactive Framework for Efficient Human-Human Motion Generation

Yabiao Wang, Shuo Wang, Jiangning Zhang, Ke Fan(上交), Jiafu Wu, Zhucun Xue(浙大), Yong Liu(浙大)

 双人动作生成对于理解人类的行为至关重要。当前的方法主要分为两大类：基于单人的方法和基于独立建模的方法。为了深入研究这一领域，我们将整个生成过程抽象为一个通用框架MetaMotion，它包括两个阶段：时序建模和交互混合。在时序建模中，基于单人的方法直接将两个人连接成一个人，而基于独立建模的方法则跳过了交互序列的建模。然而，上述不充分的建模导致了次优的性能和冗余的模型参数。在本文中，我们提出了TIMotion（时序与交互建模），这是一个高效且有效的人-人动作生成框架。具体来说，我们首先提出因果交互注入(CII)，利用时序和因果属性将两个独立序列建模为一个因果序列。然后，我们提出角色演变扫描(RES)，以适应交互过程中主动和被动角色的变化。最后，为了生成更平滑、更合理的动作，我们设计了局部模式放大(LPR)来捕捉短期动作模式。在InterHuman和Inter-X的实验表明，相比其它方法，我们的方法取得了更好的性能。

论文链接：https://aigc-explorer.github.io/TIMotion-page/

Sonic：将焦点转移