HuRF：面向可泛化数字人视频取证的以人为中心的表征学习

基于摘要分析。该研究面向外观、运动与身份均由端到端合成或重建的原生数字人视频取证，提出 HuRF，试图从人体本身提取可迁移的鉴伪证据，而非依赖生成器特定伪影、背景或编辑痕迹。 方法利用面向姿态的人体基础模型的中间表征，在保留稠密 RGB 外观信息的同时引入细粒度人体结构信息；再从人体解析教师模型中蒸馏区域级语义关系，以抑制背景干扰。此外，HuRF 对不同生成机制下的时间证据进行自适应校准，降低对不可靠的运动自然性线索的依赖。摘要未披露具体损失形式、训练流程及校准实现，相关机制的独立贡献尚待全文核对。 作者构建了 HuDigivid，包含来自 19 个已知生成器的超过 35K 段视频，以及近 1K 段收集自真实网络环境、生成器未知的数字人视频。作者报告，在跨生成器、跨生成范式及真实网络环境评估中，HuRF 的整体表现优于所比较的检测器，并能抵抗常见视频退化；摘要未提供具体指标、分数、数据划分和基线配置，不能据此量化优势或直接比较不同协议。 研究的主要对象是数字人视频真实性检测，而非 EEG 或 BCI。其人体视觉结构及人体解析监督与神经信号的数据结构并不直接对应，现有材料不足以支持具体迁移方案；已有 EEG 相关工作尚未检索确认。实验协议、消融及统计信息尚未验证，代码、模型权重和数据集的可获取性也尚未验证。