Временное обучение сериалам для получения информации о видеонаблюдении AI-Generated Video Displication в размере 400 долл. США меньше FLOP

arXiv: 261 0351548v1 Annuales Type: New Humber Abstract: Последние достижения в области регенеративных видеомодели улучшили визуальный реализм, что делает обнаружение все более зависимым от тонких временных несоответствий. Однако эти сигналы являются слабыми и пространственно локализованными, в то время как большая часть видеоконтента является излишней. Это создает фундаментальное несоответствие: существующие детекторы опираются на тяжелые позвоночники для моделирования полных видео, что приводит к высоким вычислительным расходам и ограниченной масштабируемости. В этой работе мы переосмыслили видеонаблюдение, созданное АИ с точки зрения представления. Вместо того чтобы моделировать целые видео, мы реструктурируем их в компактные временные куски представления, которые изолируют информативную временную эволюцию. Мы введем систему легкого веса с помощью изучения временной последовательности частотных измерений, где информативные пространственные ряды и столбцы агрегируются во времени для создания кусочков-доменных входных данных. Такая репараметризация позволяет сократить излишнюю видимость при сохранении дискриминирующей временной динамики e.