यह पत्र एक नवीन पहचान विधि का प्रस्ताव करता है जो AI-जनित वीडियो की बढ़ती संख्या के कारण सिंथेटिक सामग्री वितरण की बढ़ती समस्या के समाधान हेतु कालिक कलाकृतियों का लाभ उठाती है। हम न्यूटोनियन यांत्रिकी के अंतर्गत द्वितीय-क्रम गतिकी विश्लेषण पर आधारित एक सैद्धांतिक ढाँचा स्थापित करते हैं और वास्तविक तथा AI-जनित वीडियो के बीच द्वितीय-क्रम विशेषताओं के वितरण में मूलभूत अंतरों को उजागर करने के लिए द्वितीय-क्रम केंद्रीय अंतर विशेषताओं का उपयोग करते हैं। इसके आधार पर, हम D3 (अंतर के अंतर द्वारा पहचान) प्रस्तावित करते हैं, जो एक नई पहचान विधि है जिसके लिए किसी प्रशिक्षण की आवश्यकता नहीं है। हम प्रयोगात्मक रूप से प्रदर्शित करते हैं कि D3 चार ओपन-सोर्स डेटासेट (Gen-Video, VideoPhy, EvalCrafter, और VidProM) पर मौजूदा अत्याधुनिक विधियों से बेहतर प्रदर्शन करती है। उल्लेखनीय रूप से, GenVideo डेटासेट पर, हमारी विधि औसतन 10.39% की सटीकता में सुधार प्राप्त करती है, जो उत्कृष्ट कम्प्यूटेशनल दक्षता और मजबूती को प्रदर्शित करती है।
