💻 computer science

Detect Early, Escalate Rarely: Anytime Detection of AI-Generated Video from the Compressed Bitstream

Diese Arbeit definiert die Detektion von KI-generierten Videos als eine Streaming-Perzeptionsaufgabe um, indem sie Bewegungsfelder direkt aus komprimierten Bitströmen analysiert, was jederzeit gültige, rechenarme Entscheidungen mit kalibrierten Falsch-Positiv-Raten und messbaren Genauigkeits-Rechenaufwand-Abwägungen ermöglicht, ohne dass neue Detektorarchitekturen erforderlich sind.

Ursprüngliche Autoren: Mert Onur Cakiroglu, Mehmet Dalkilic, Hasan Kurban

Veröffentlicht 2026-07-23

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Mert Onur Cakiroglu, Mehmet Dalkilic, Hasan Kurban

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich das Internet als eine riesige, chaotische Bibliothek vor, in der ständig Bücher sowohl von menschlichen Autoren als auch von unglaublich talentierten Robotern geschrieben werden. Lange Zeit konnten die Bibliothekare (die Detektoren) die Echtheit eines Buches erst prüfen, nachdem sie die gesamte Geschichte Seite für Seite gelesen hatten, um zu sehen, ob die Handschrift gefälscht war. Aber jetzt schreiben diese Roboter Geschichten so schnell und so gut, dass das Lesen des gesamten Werks zu lange dauert, und die Bibliothekare werden überfordert. Dieses Paper lebt in der Welt des Computer Vision, einem Bereich, in dem Maschinen lernen, Bilder und Videos zu „sehen“ und zu verstehen. Die Kernidee hier ist, dass Videos nicht nur ein Haufen von Bildern sind; sie werden in winzige Pakete von Anweisungen (genannt Bitstream) komprimiert, die einem Computer sagen, wie er von einem Bild zum nächsten übergehen soll. Genau wie ein Filmregisseur ein Storyboard verwendet, um Kamerabewegungen zu planen, schreiben Videocodecs (die Software, die Video komprimiert) eine „Bewegungskarte“ auf, um Platz zu sparen. Die große Frage lautet: Können wir ein gefälschtes Video erkennen, indem wir uns nur diese Bewegungskarten ansehen, ohne das eigentliche Video überhaupt anzuschauen?

Die Autoren dieses Papers, Mert Onur Cakiroglu, Mehmet Dalkilic und Hasan Kurban, sagen: „Ja, und wir können das super schnell machen.“ Sie behandeln die Videodetektion nicht als eine Abschlussprüfung, wenn der Film endet, sondern als einen Live-Kommentar, der stattfindet, während das Video noch gestreamt wird. Anstatt das gesamte Video in hochauflösende Pixel zu dekodieren (was so ist, als würde man das ganze Buch ausdrucken, um die Tinte zu prüfen), liest ihre Methode die „Bewegungskarte“ direkt aus der komprimierten Datei. Sie fanden heraus, dass KI-generierte Videos oft eine „skelettartige“ Bewegung haben – zu einfach und spärlich –, während echte Videos „reiche“, komplexe Bewegungen aufweisen. Durch das Scannen dieser Bewegungskarten kann ihr System eine Fälschung fast sofort erkennen und nutzt dabei nur einen Bruchteil der Rechenleistung, die herkömmliche Methoden erfordern würden.

Hier ist der Zaubertrick: Sie haben einen zweistufigen Sicherheitswachmann gebaut. Der erste Wachmann ist ein leichtgewichtiger, superschneller CPU-Scanner, der die Bewegungskarte liest. Er ist so günstig und schnell, dass er jedes Video prüfen kann, sobald es eintrifft. Wenn die Bewegung verdächtig einfach aussieht, ruft dieser Wachmann „Falsch!“ und stoppt das Video genau an dieser Stelle. Wenn die Bewegung sehr normal aussieht, sagt er „Echt!“ und lässt es passieren. Aber was, wenn die Bewegung verwirrend ist oder sich genau an der Grenze befindet? Dann tritt der zweite Wachmann ein. Dieser zweite Wachmann ist ein schwerfälliges, teures KI-Modell, das sich tatsächlich die Videopixel ansieht, um eine endgültige Entscheidung zu treffen. Der brillante Teil ist, dass dieser teure Wachmann nur für diese verwirrenden Fälle gerufen wird – etwa 15 % der Zeit. Das bedeutet, dass das System eine enorme Menge an Energie und Zeit spart, indem es etwa 7-mal weniger Rechenleistung verbraucht als die Überprüfung jedes einzelnen Videos mit dem schweren Modell, während es gleichzeitig etwas genauere Ergebnisse liefert.

Das Paper beweist auch eine sehr wichtige Sicherheitsregel: Da der Score des ersten Wachmanns nur steigt (er geht niemals nach unten, während er mehr vom Video sieht), können sie eine einzige „Stopp-Linie“ festlegen, die garantiert, dass sie nicht versehentlich zu viele echte Videos als Fälschungen markieren, selbst wenn sie die Prüfung vorzeitig abbrechen. Es ist wie an einer Sicherheitskontrolle, bei der man nur einen Körperscan erhält, wenn man den Metalldetektor auslöst oder verdächtig aussieht; wenn man eindeutig sicher aussieht, geht man einfach hindurch. Sie haben dies an tausenden Videos getestet und festgestellt, dass ihre Methode Fälschungen nach dem Sehen der ersten Sekunden (oder sogar des ersten „Abschnitts“ des Videos) erkennen konnte, während ältere Methoden warten mussten, bis der gesamte Clip fertig war. Obwohl das System nicht perfekt ist und verwirrt werden kann, wenn ein Video anders komprimiert wurde als erwartet, bietet es einen neuen Weg, KI-Fälschungen zu entlarven, der schnell, günstig und klug genug ist, um zu wissen, wann es um Hilfe bitten muss.

Technisches Resümee: Frühzeitig erkennen, selten eskalieren: Jedezeitige Erkennung von KI-generierten Videos aus dem komprimierten Bitstrom

1. Problemstellung

Derzeitige Detektoren für KI-generierte Videos (AIGV) sind primär für die Offline-Evaluierung konzipiert, bei der ein vollständiger Videoclip in Pixel dekodiert und einmalig bewertet wird, wobei häufig schwere Vision-Language-Modelle (VLMs) oder große neuronale Netze zum Einsatz kommen. Die reale Anwendung erfolgt jedoch Online (Streaming), wobei das Video sequenziell in komprimierten Chunks eintrifft. Dieses Szenario stellt strenge Latenzbudgets und Rechenbeschränkungen auf, die es unpraktikabel machen, Milliarden-Parameter-Modelle auf jedem eingehenden Frame auszuführen. Darüber hinaus konzentrieren sich bestehende Methoden der Streaming-Perzeption auf Objekterkennung oder Aktionserkennung, nicht auf synthetische Videogenerierung, und Echtzeit-Deepfake-Detektoren verlassen sich typischerweise auf dekodierte Gesichtsbilder anstatt auf den komprimierten Bitstrom selbst.

Die zentrale Herausforderung besteht darin, AIGV im Streaming direkt aus dem komprimierten Bitstrom zu erkennen, und zwar mit jederzeitiger Gültigkeit (Entscheidungen zu jedem beliebigen Zeitpunkt im Stream mit kontrollierten Fehlerraten) und Rechenadaptivität (Eskalation nur unsicherer Clips an teurere Modelle).

2. Methodik

Der vorgeschlagene Ansatz, StreamDet, definiert die AIGV-Erkennung als ein Streaming-Perzeptionsproblem, das direkt auf dem Bewegungsfeld des Codecs operiert.

2.1 Das Streaming-Protokoll

Input: Das Video trifft als geordnete Sequenz von Groups of Pictures (GOPs) ein, bezeichnet als $g_1, g_2, \dots, g_N$ .
Merkmalsextraktion (Stufe 1): Anstatt Frames in Pixel zu dekodieren, parst das System das quantisierte Bewegungvektor-Feld (MV-Feld), das bereits vom Codec in den Bitstrom geschrieben wurde. Für jede GOP extrahiert es einen festen 13-dimensionalen Merkmalsvektor $\phi_t$ (4 globale Bewegungsstatistiken und 9 spektrale Dimensionen).
Scoring: Ein leichtgewichtiger CPU-basierter Scorer $f_R$ bildet diese Merkmale auf einen Score $s_t$ ab, wobei ein höherer Score auf „generiert“ hindeutet. Dieser Prozess erfordert etwa $10^5$ Multiplikations-Akkumulations-Operationen (MACs) pro GOP, was fünf Größenordnungen weniger ist als ein Pixel-Domänen-CNN.
Aggregation: Das System führt ein laufendes Maximum (Running Maximum) Aggregat $M_t = \max_{i \le t} s_i$ nach. Diese monotone Aggregation ermöglicht es dem Detektor, zu handeln, sobald der Score einen Schwellenwert überschreitet.

2.2 Der Entscheidungsmechanismus (Kaskade mit Deferral)

Das System verwendet eine zweistufige Kaskade mit einer „preisgestalteten“ Rechenfront:

Stufe 1 (Immer aktiv): Ein einzelner, endkalibrierter Schwellenwert $\tau$ $τ$ wird auf das laufende Maximum $M_t$ $M_{t}$ angewendet.
- Wenn $M_t \ge \tau$ , wird der Clip sofort als generiert klassifiziert (Early Exit).
- Wenn der Stream endet oder ein Latenzbudget erreicht wird, ohne dass $\tau$ überschritten wurde, prüft das System die Nähe zum Schwellenwert.
Deferral-Band: Eine Breite $w$ $w$ definiert ein unsicheres Band $W = [\tau - w, \tau)$ $W = [τ - w, τ)$ .
- Wenn $M_t < \tau - w$ , wird der Clip als echt klassifiziert.
- Wenn $M_t \in W$ , wird der Clip an Stufe 2 übergeben (deferred).
Stufe 2 (On-demand): Übergebene Clips werden an einen teureren Detektor (z. B. ein Pixel-CNN oder ein VLM) eskaliert, der auf das beobachtete Präfix angewendet wird. Das endgültige Urteil ist das Ergebnis von Stufe 2 für übergebene Clips und das von Stufe 1 für alle anderen.

2.3 Theoretische Garantien

Die Arbeit etabliert zwei wesentliche theoretische Eigenschaften:

Jederzeit-gültige Falsch-Positiv-Kontrolle: Da das Aggregat $M_t$ monoton ist, kontrolliert ein einzelner Schwellenwert $\tau$ , der auf dem finalen Präfix echter Clips kalibriert wurde, die Falsch-Positiv-Rate (FPR) zum datenabhängigen Stoppzeitpunkt (dem Moment, in dem das Gate feuert). Dies vermeidet das Problem des „Optional Stopping“, bei dem eine Rekalibrierung pro Präfix die Fehlerrate künstlich erhöhen würde.
Compute-Accuracy-Frontier: Der erwartete Rechenaufwand hat eine geschlossene Form: $\mathbb{E}[C] = \bar{t}C_1 + \text{Pr}(s \in W)C_2$ . Die Genauigkeit der Kaskade ist monoton in Bezug auf das Rechenbudget, wenn und nur wenn die Deferral-Bedingung erfüllt ist (d. h. Stufe 2 ist genauer als Stufe 1, speziell auf dem übergebenen Set).

3. Wesentliche Beiträge

Streaming-AIGV-Detektionsrahmen: Die Autoren haben die Detektion als Streaming-Perzeption neu gefasst und Metriken wie Anytime-AUC (ROC-AUC über beobachtete Präfixe) und Latenzbudgetierte Streaming-AUC definiert.
Komprimierter-Domänen-Anytime-Frontend: Ein reines CPU-basiertes Stadium, das das Bewegungsfeld des Codecs bewertet, ohne Pixel zu dekodieren. Es liefert ein monotones Score-Aggregat, das einen Early Exit mit einem einzigen, endkalibrierten Schwellenwert ermöglicht und die FPR-Kontrolle zum Stoppzeitpunkt garantiert.
Preisgestaltete Rechenfront: Ein Kaskadenmechanismus, der nur unsichere Clips eskaliert. Die Arbeit leitet die Compute-Accuracy-Frontier her und zeigt, dass die Genauigkeit mit dem Budget nur dann steigt, wenn die Eskalation auf Clips angewendet wird, bei denen das einfache Modell tatsächlich unsicher ist (die „Deferral-Bedingung“).

4. Experimentelle Ergebnisse

Die Experimente wurden auf GenVidBench (einem zusammengehörigen Zellensatz von ca. 27k Clips) und AIGVDBench durchgeführt.

Effizienz vs. Genauigkeit (Stufe 1): Die Codec-Stufe allein erreicht eine AUC von 0,64 bei voller Länge und 0,80 bei der ersten GOP (sAUC(1)), unter Verwendung von $10^5$ MACs pro GOP. Dies ist fünf Größenordnungen weniger Rechenaufwand als ein Pixel-CNN ( $1,8 \times 10^{10}$ MACs), bleibt aber bereits ab dem ersten Chunk informativ.
Kaskaden-Leistung: Die Übergabe von 15 % der Clips an ein Pixel-CNN erhöht die Entscheidungsgenauigkeit von 0,75 (nur Codec) auf 0,78. Dies erzielt eine höhere Genauigkeit als die Bewertung jedes Clips mit dem Pixel-CNN (0,76) bei gleichzeitig 7-mal geringerem Rechenaufwand.
VLM-Eskalation: Bei der Eskalation an ein kleines VLM (Ivy-xDetector) auf einer Stichprobe erreicht die Kaskade eine Genauigkeit von 0,79 bei 55 % Deferral und übertrifft damit das Pixel-CNN (0,68) auf demselben übergebenen Set signifikant. Das VLM allein ist jedoch rechentechnisch prohibitiv ( $\sim 10^{13}$ MACs/Clip) und unzuverlässig bei „schwierigen“ Generatoren.
Garantien: Der endkalibrierte Schwellenwert hielt die Stoppzeit-FPR erfolgreich bei 0,039 (Ziel $\alpha=0,05$ ). Im Gegensatz dazu führte eine naive Rekalibrierung pro Präfix zu einer signifikanten Drift der FPR unter Verteilungsverschiebungen.
Ablationen:
- Bewegungs-Bias: Das Signal übersteht ein Matching auf Bewegungsamplitude, was darauf hindeutet, dass es sich nicht bloß um einen Artefakt handelt, wonach „generierte Videos sich weniger bewegen“.
- Aggregator: Das laufende Maximum ist der einzige monotone Aggregator, der für die theoretischen Garantien erforderlich ist, obwohl Mean-Pooling eine höhere Offline-Genauigkeit liefert.
- Cross-Dataset: Die Methode repliziert sich auf AIGVDBench, wobei die FPR-Kontrolle jedoch leicht driftet (0,068), wenn die Testverteilung von der Kalibrierungsmenge abweicht.

5. Bedeutung und Ansprüche

Das Paper behauptet, dass die AIGV-Detektion als Streaming-Problem und nicht als Offline-Batch-Aufgabe behandelt werden sollte. Seine Bedeutung liegt in:

Neuformulierung: Verschiebung der Detektion von der Pixel-Domäne in den komprimierten Bitstrom, um Signale zu nutzen, die der Codec bereits berechnet hat.
Garantien: Bereitstellung von anytime-gültiger Inferenz, bei der die Falsch-Positiv-Rate zum exakten Zeitpunkt der Entscheidung kontrolliert wird, unabhängig davon, wann dieser Moment eintritt.
Effizienz: Demonstration, dass ein „billiges“ Codec-Parsing als robustes Frontend dienen kann, welches teure Rechenressourcen (GPU/VLM) nur für die schwierigsten Fälle reserviert. Dies schafft eine monotone Compute-Accuracy-Frontier, bei der die Genauigkeit nur dann mit dem Budget skaliert, wenn die Eskalationslogik fundiert ist.

Die Autoren stellen explizit klar, dass sie keine neue Detektorarchitektur vorschlagen, sondern ein Protokoll und eine Neuformulierung, die eine effiziente, garantierte und adaptive Detektion ermöglichen. Sie räumen Einschränkungen ein, einschließlich der Abhängigkeit vom Zugriff auf den Bitstrom, der Notwendigkeit der Kalibrierung auf gehaltenen Echt-Daten und des Potenzials für Motion-Bias-Abkürzungen bei spezifischen Generatoren.