Technische Zusammenfassung: VINA - Video als natürliche Augmentierung für die einheitliche AIGC-Erkennung

1. Problemstellung

Die rasante Entwicklung von KI-generierten Inhalten (AIGC) hat einen dringenden Bedarf an Detektoren geschaffen, die sich über diverse Datenquellen, Bereitstellungs-Pipelines und visuelle Modalitäten hinweg verallgemeinern lassen. Während die fortschrittlichsten KI-generierten Bild-Detektoren (AIGI) auf Bildbenchmarks wettbewerbsfähig abschneiden, identifiziert diese Arbeit einen kritischen und konsistenten Fehlermodus: Diese Detektoren versagen, wenn sie auf Frames angewendet werden, die aus KI-generierten Videos (AIGV) extrahiert wurden.

Die Autoren argumentieren, dass die Behandlung von AIGI- und AIGV-Erkennung als separate Aufgaben eine fundamentale Lücke in der modalitätsübergreifenden Verallgemeinerung offen lässt. Diese Lücke resultiert aus zwei Hauptquellen:

1. Synthesen-unabhängige Video-Verarbeitungsverschiebungen: Reale Videoframes unterliegen komplexen, verflochtenen Degradierungen, die in Standard-Bilddatensätzen nicht vorhanden sind, darunter Codec-Komprimierung (z. B. H.264), Bewegungsunschärfe, Größenanpassung und Farbkonvertierung mit begrenztem Bereich (z. B. TV-Helligkeitsbereiche). Diese Verschiebungen unterdrücken hochfrequente Mikroartefakte, auf die Bild-Detektoren oft als Abkürzungen zurückgreifen.
2. Modellspezifische Fingerabdrücke: Moderne Videogeneratoren führen distincte zeitliche Artefakte und bewegungsbezogene Fingerabdrücke ein, die sich erheblich von den räumlichen Artefakten von Bildgeneratoren unterscheiden.

Folglich versagen Detektoren, die ausschließlich auf Bildern trainiert wurden, darin, die spezifischen statistischen Verteilungen und Degradierungsmuster zu erkennen, die Videoframes inhärent sind, was zu Leistungseinbußen führt, die auf Video-Benchmarks nahe dem zufälligen Raten liegen.

2. Methodik: VINA

Um diese Lücke zu schließen, schlagen die Autoren VINA (VIdeo as Natural Augmentation) vor, ein einheitliches Framework, das sowohl auf Bilddaten als auch auf Videodaten gemeinsam trainiert wird, um eine robuste modalitätsübergreifende Erkennung zu erreichen.

Kernphilosophie

VINA behandelt Videoframes nicht lediglich als separate Aufgabe, sondern als physikalisch fundierte natürliche Augmentierungen für Bilddaten. Videoframes setzen Detektoren realistischen, komplexen Degradierungen (Komprimierung, Unschärfe, Farbverschiebungen) aus, die mit handgefertigten 2D-Augmentierungen (z. B. Gaußsche Unschärfe oder JPEG-Wiederkomprimierung) schwer zu simulieren sind.

Technische Komponenten

1. Gemeinsames Trainingsparadigma: Das Framework trainiert einen einzelnen Detektor auf einem gemischten Batch aus statischen Bildern ($D_{img}$) und Videoframes ($D_{vid}$). Videoframes werden als makellose visuelle Signale modelliert, die einer komplexen, nicht-differenzierbaren Degradierungsfunktion $T(\cdot)$ unterliegen, die die Videopipeline (Codec, Bewegungsunschärfe, Größenanpassung) repräsentiert.
2. Cross-Modal Supervised Contrastive (CM-SupCon) Loss: Um zu verhindern, dass der Merkmalsraum modalitätstrenn bleibt (wo Bild- und Video-Merkmale trotz gleicher Real/Fake-Kennzeichnung separat clustern), führt VINA einen expliziten Regularisierungsterm ein.
   • Mechanismus: Für ein gegebenes Anker-Beispiel umfasst die positive Menge ausschließlich modalitätsübergreifende Beispiele (z. B. ein Videoframe gepaart mit einem Bild), die dasselbe Ground-Truth-Label (real oder fake) teilen.
   • Ziel: Dies zieht Real-Bild-Merkmale zu Real-Video-Merkmale und Fake-Bild-Merkmale zu Fake-Video-Merkmale, während die Trennung zwischen den Klassen Real und Fake aufrechterhalten wird. Dies zwingt das Modell, generative Spuren zu lernen, die sowohl bei sauberen Bildern als auch bei degradierten Videoframes diskriminierend sind, und unterdrückt die Abhängigkeit von modalitätsspezifischen Abkürzungen.
3. Einheitliches Ziel: Die finale Verlustfunktion kombiniert die Standard-Binär-Cross-Entropy ($L_{BCE}$) mit dem CM-SupCon-Term:
   $$L = L_{BCE} + \lambda L_{CM-SupCon}$$

3. Hauptbeiträge

1. Identifikation systemischen Versagens: Die Arbeit zeigt auf, dass fortschrittlichste AIGI-Detektoren systematisch auf Video-Benchmarks versagen, und formuliert die einheitliche AIGC-Erkennung als Verallgemeinerungsproblem, das eine gemeinsame Abdeckung von Bildern und Videos erfordert, anstatt isolierter Aufgaben.
2. VINA-Framework: Der Vorschlag eines gemeinsamen Video-Bild-Trainings-Frameworks, das ein CM-SupCon-Ziel nutzt, um Repräsentationen unter einer einheitlichen Entscheidungsgrenze zu regularisieren und damit quell- und modalitätsspezifische Abkürzungshinweise effektiv zu unterdrücken.
3. Umfassende Evaluation: Umfangreiche Experimente über 14 Benchmarks (einschließlich Bild-, Video- und In-the-Wild-Datensätze) zeigen, dass VINA bidirektionale Gewinne erzielt, die Leistung sowohl bei Video- als auch bei Bildaufgaben verbessert, ohne komple datasetspezifische Feinabstimmung oder explizite Alignments-Pipelines zu benötigen.

4. Experimentelle Ergebnisse

Die Autoren evaluierten VINA gegen eine breite Palette von Baselines, darunter videospezifische Detektoren (z. B. DeMamba, WaveRep), bildspezifische Detektoren (z. B. NPR, Effort, Co-SPY) und Methoden, die auf alignierten Datensätzen trainiert wurden (z. B. DDA, B-Free).

• Benchmark-Leistung:
  • Video-Benchmarks: VINA erreichte eine durchschnittliche Genauigkeit von 90,4 % und übertraf damit deutlich bildbasierte Detektoren (die oft unter 60 % fielen) sowie wettbewerbsfähige videospezifische Detektoren.
  • Bild-Benchmarks: VINA erreichte eine durchschnittliche Genauigkeit von 94,1 %, übertraf spezialisierte Bild-Detektoren und zeigte, dass Videodaten die Bildleistung nicht verschlechtern.
  • In-the-Wild-Benchmarks: Auf herausfordernden realen Datensätzen (z. B. Chameleon, SynthWildX, WildRF) erreichte VINA eine durchschnittliche Genauigkeit von 92,9 % und zeigte eine überlegene Robustheit gegenüber unbekannten Generatoren und Nachverarbeitung im Vergleich zum bisherigen Stand der Technik.
• Robustheit: Das Modell zeigte eine starke Resilienz gegenüber verschiedenen Störungen, einschließlich JPEG/HEIF-Komprimierung, Skalierung und Beschneidung, ohne dass während des Trainings eine explizite Format-Alignment erforderlich war.
• Effizienz: Trotz der Verwendung eines großen DINOv3-Backbones arbeitet VINA mit einer Auflösung von 256×256 und 82,4G FLOPs pro Frame und erzielt den schnellsten Inferenz-Durchsatz (15,7 s pro 1K Frames) unter den verglichenen Methoden.
• Ablationsstudien:
  • Backbones: Die Gewinne waren konsistent über CLIP-, DINOv2- und DINOv3-Backbones hinweg.
  • Datenquellen: Leistungsverbesserungen wurden bei verschiedenen Datenkombinationen beobachtet (z. B. Pika+ProGAN, GenVideo+SD1.4, 140k+DDA), was darauf hindeutet, dass die Methode nicht an spezifische Datensätze gebunden ist.
  • Augmentierung vs. Gemeinsames Training: Synthetische Degradierungsstrategien (Farbjitter, HEIF-Komprimierung) lieferten moderate Verbesserungen, wurden jedoch deutlich von der Verwendung echter Videodaten als natürliche Augmentierung übertroffen.

5. Bedeutung und Behauptungen

Die Arbeit behauptet, dass VINA ein neues Paradigma für die AIGC-Erkennung etabliert, indem es realistische Video-Degradierungen als eine Form natürlicher Augmentierung und nicht als separate Domäne behandelt. Die Bedeutung liegt in:

• Einheitliche Erkennung: Der Nachweis, dass ein einzelnes Modell sowohl Bilder als auch Videos effektiv erkennen kann, wodurch die modalitätsübergreifende Lücke überbrückt wird, die derzeit das Feld plagt.
• Robustheit ohne Komplexität: Die Erzielung fortschrittlichster Leistung ohne reliance auf komplexe Daten-Alignment, aufwändige Augmentierungs-Pipelines oder datasetspezifische Hyperparameter-Feinabstimmung.
• Verallgemeinerung: Bereitstellung einer Lösung, die sich über unsichtbare Generatoren und In-the-Wild-Szenarien hinweg verallgemeinert und dem kritischen Bedarf an Detektoren gerecht wird, die in diversen realen Bereitstellungsumgebungen zuverlässig funktionieren.

Die Autoren schließen, dass ihr aktueller Detektor zwar auf einzelnen Frames operiert und zeitliche Beziehungen nicht explizit modelliert, die Philosophie des gemeinsamen Trainings jedoch die physikalischen Eigenschaften von Videodaten effektiv nutzt, um ein robusteres und universelleres Erkennungs-Framework zu schaffen.