ActivityForensics

ActivityForensics是一个全面的基准数据集，用于定位视频中被操纵的活动。它提供了预提取的视频特征和注释，支持快速和便捷的实验。ActivityForensics is a comprehensive benchmark dataset for locating manipulated activities in videos. It provides pre-extracted video features and annotations to support faster and more convenient experimental work. The dataset consists of two primary components: features and annotations, which are designed to facilitate research on activity-level forensic analysis.

原始信息汇总

ActivityForensics 数据集概述

数据集基本信息

• 数据集名称：ActivityForensics
• 核心任务：视频中篡改活动的定位
• 提出背景：首个专注于活动级别（Activity-Level）视频取证的综合基准
• 相关论文：ActivityForensics: A Comprehensive Benchmark for Localizing Manipulated Activity in Videos
• 论文会议：IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
• 作者：Peijun Bao, Anwei Luo, Gang Pan, Alex C. Kot, Xudong Jiang

数据集访问与下载

• 官方项目页面：https://activityforensics.github.io/
• 数据集下载地址：https://entuedu-my.sharepoint.com/:f:/g/personal/peijun_bao_staff_main_ntu_edu_sg/IgB-nNOfNgG6QaqwV2CPjQY9AdDht4epuR3G-IhOK7Ihbbg
• 数据集访问密码：ActivityForensics
• 提供内容：数据集包含预提取的视频特征和标注，无需下载原始视频即可进行实验。

数据集内容与结构

• 数据目录结构：

data/ ├── feat/ # 预提取的视频特征 └── annot/ # 标注文件

• 数据生成方法：采用基于接地的辅助数据集生成流程。

数据集特点与对比

• 研究焦点：区别于传统的表观级别（Appearance-Level）伪造检测，专注于活动级别的伪造检测。
• 问题定义：定位视频中哪些活动是经过AI篡改的。

使用许可与版权

• 用途限制：仅限于研究目的和非商业用途。
• 详细政策：更多关于数据集政策和许可条款的细节，请参阅项目中的 DATA_POLICY.md 文件。

引用要求

如果该数据集对您的工作有帮助，请考虑引用以下论文： bibtex @inproceedings{bao2026activityforensics, title={ActivityForensics: A Comprehensive Benchmark for Localizing Manipulated Activity in Videos}, author={Bao, Peijun and Luo, Anwei and Pan, Gang and Kot, Alex C. and Jiang, Xudong}, booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)}, year={2026} }

相关资源

• 论文地址：https://activityforensics.github.io/activityforensics/files/ActivityForensics_CVPR2026.pdf
• 补充材料：https://activityforensics.github.io/activityforensics/files/ActivityForensics_Supp_CVPR2026.pdf
• 代码仓库：https://github.com/ActivityForensics/activityforensics

联系方式

• 主要联系人：Peijun Bao
• 联系邮箱：[e-mail]

搜集汇总

数据集介绍

构建方式

在视频内容安全领域，ActivityForensics数据集通过一种创新的基于接地的生成流程构建而成。该流程利用先进的视频生成与编辑技术，如Wan、SciFi、FCVG、LTX和VACE等方法，对原始视频中的活动进行精准操纵，从而创建出包含真实与伪造活动的对比样本。每个视频均配有详细的时间标注，明确标识出被篡改的活动片段，为模型训练提供了高质量的监督信号。

特点

作为首个专注于活动级别伪造检测的基准数据集，ActivityForensics超越了传统的外观层面篡改，深入探究视频中动态行为的真实性。该数据集涵盖了多样化的活动类型与复杂的篡改场景，并提供了预提取的视频特征与完整标注，极大简化了实验流程。其设计旨在推动视频取证技术从静态特征分析向动态行为理解演进，为相关研究设立了新的标准。

使用方法

研究人员可通过提供的链接下载数据集，其中包含预提取的特征文件与标注信息，无需处理原始视频即可开始实验。依赖项的安装通过简单的命令行操作完成。训练过程基于配置文件启动，例如执行指定命令即可开始模型训练。该数据集专供非商业研究使用，使用者需遵守相关的数据政策与许可协议。

背景与挑战

背景概述

随着深度伪造技术的快速发展，视频内容篡改已从传统的表观层面伪造逐步演进至活动层面伪造，后者通过修改视频中人物的行为序列来制造虚假叙事，对数字媒体的可信度构成了更为隐蔽且严峻的威胁。ActivityForensics数据集由南洋理工大学等机构的研究团队于2026年创建，并在CVPR会议上发布，旨在为视频活动级篡改定位任务提供一个全面的基准。该数据集的核心研究问题是检测并定位视频中经过人工智能篡改的活动序列，推动计算机视觉领域在深层语义伪造识别方向的发展，为数字取证和内容安全研究提供了关键的数据支撑。

当前挑战

ActivityForensics数据集致力于解决视频活动级篡改定位这一新兴领域的核心挑战，即如何准确区分并定位视频中经过精细编辑的行为序列，这些篡改往往在时间维度上保持连贯性，使得传统基于表观特征的检测方法难以应对。在数据集构建过程中，研究团队面临多重技术难题，包括需要设计高效的生成流程来模拟真实世界的活动篡改场景，同时确保篡改样本的多样性与真实性；此外，标注工作需精确到时间片段级别，对人工标注的准确性与一致性提出了极高要求，这些因素共同构成了数据集开发中的主要障碍。

常用场景

经典使用场景

在视频内容安全与数字取证领域，ActivityForensics数据集为检测和定位视频中活动级别的篡改行为提供了首个综合性基准。该数据集通过引入基于grounding辅助的生成流程，模拟了现实世界中视频活动被恶意篡改的复杂场景，例如在原始视频中插入、删除或替换特定的人类活动片段。研究人员可利用该数据集训练和评估模型，以识别视频中活动层面的不一致性，从而推动视频取证技术从传统的外观层面检测向更深层的语义活动分析演进。

解决学术问题

ActivityForensics数据集主要解决了视频取证研究中长期存在的活动级别篡改检测难题。传统方法多聚焦于像素级或帧级的外观伪造，难以应对语义层面活动篡改带来的挑战。该数据集通过提供大规模、多样化的活动篡改样本及其精细标注，为学术界建立了一个统一的评估基准，促进了针对视频时序一致性与语义完整性分析的新算法开发，显著提升了模型在复杂篡改场景下的泛化能力和鲁棒性。

衍生相关工作

ActivityForensics数据集的发布催生了一系列围绕视频活动取证的前沿研究。其构建方法借鉴并融合了多种开源视频生成与编辑技术，如Wan、SciFi和FCVG等，为后续工作提供了重要的数据基础和技术启示。基于此数据集，研究者们可进一步探索时序建模、跨模态对齐及弱监督学习等方向，推动生成式视频安全、深度伪造防御等领域的算法创新与理论发展。