🤖 AI

Preserving Forgery Artifacts: AI-Generated Video Detection at Native Scale

Este artículo presenta un nuevo marco de detección basado en el transformador de visión Qwen2.5-VL que procesa videos a su escala nativa para preservar trazas de falsificación, junto con un extenso conjunto de datos de más de 140.000 videos generados por IA, superando así las limitaciones de los métodos actuales que dependen de preprocesamiento destructivo.

Autores originales: Zhengcen Li, Chenyang Jiang, Hang Zhao, Shiyang Zhou, Yunyang Mo, Feng Gao, Fan Yang, Qiben Shan, Shaocong Wu, Jingyong Su

Publicado 2026-04-07

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Zhengcen Li, Chenyang Jiang, Hang Zhao, Shiyang Zhou, Yunyang Mo, Feng Gao, Fan Yang, Qiben Shan, Shaocong Wu, Jingyong Su

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que el mundo de los videos generados por Inteligencia Artificial (IA) es como una fábrica de falsificaciones de alta tecnología. Antes, los detectores de falsificaciones eran como inspectores de aduanas que usaban una lupa pequeña y fija: solo podían ver detalles muy cercanos y, si el video era muy grande o de una resolución extraña, tenían que recortarlo o encogerlo para que cupiera en su lupa. El problema es que al hacer eso, perdían las pistas más importantes (como las texturas extrañas o los movimientos imposibles) que delataban que el video era falso.

Este paper (artículo científico) presenta una solución revolucionaria que podríamos llamar "La Lupa Mágica de Resolución Nativa". Aquí te explico los tres pilares de su descubrimiento con analogías sencillas:

1. El Problema: "El Efecto Fotocopiadora"

Imagina que tienes un mapa del tesoro muy detallado con pistas microscópicas. Si haces una fotocopia de ese mapa y lo reduces al tamaño de una estampilla (eso es lo que hacían los métodos antiguos: recortar y encender videos a un tamaño fijo de 224x224 píxeles), las pistas microscópicas desaparecen.

Lo que pasaba antes: Los detectores antiguos "borraban" las huellas dactilares digitales de la IA al intentar estandarizar el tamaño del video. Además, usaban mapas antiguos (datos viejos) que no incluían a los nuevos "falsificadores" (modelos de IA modernos y muy realistas).
La consecuencia: Si el falso era muy bueno o tenía una resolución diferente a la que el detector esperaba, el detector decía: "¡Es real!" y se equivocaba.

2. La Solución: "El Ojo que No Parpadea" (Resolución Nativa)

Los autores crearon un nuevo sistema basado en un modelo llamado Qwen2.5-ViT. Imagina que este modelo es como un detective que no necesita recortar la escena del crimen.

Cómo funciona: En lugar de obligar al video a entrar en una caja cuadrada pequeña, el detective mira el video tal como es, con su tamaño original, su forma original y su duración original.
La analogía: Es como si en lugar de mirar una foto de un coche a través de un agujero de cerradura, pudieras caminar alrededor del coche y verlo desde todos los ángulos, en alta definición, sin perder ni un solo detalle.
El beneficio: Al no recortar ni encoger, el sistema puede ver las "micro-irregularidades" (artefactos) que la IA deja atrás, como una textura de piel que no se mueve bien o una sombra que no coincide con la luz. Estas son las pistas que los métodos antiguos perdían.

3. El Nuevo Mapa del Tesoro: "Magic Videos"

Para entrenar a su nuevo detective, no podían usar los mapas viejos. Necesitaban un entrenamiento con los "falsificadores" más modernos.

La colección: Crearon una base de datos masiva con 140,000 videos generados por 15 de las mejores máquinas de IA del mundo (tanto de código abierto como comerciales).
La prueba de fuego: Además, crearon un banco de pruebas llamado "Magic Videos". Imagina que son videos tan realistas que parecen sacados de una película de Hollywood, pero generados por IA. Usaron estos videos para poner a prueba a su detector.
El resultado: El detector aprendió a reconocer los patrones de todos estos nuevos falsificadores, no solo de uno o dos.

¿Qué lograron?

Cuando probaron su sistema contra los mejores detectores existentes:

Superó a todos: Fue como si un corredor olímpico (su nuevo método) compitiera contra corredores que usaban zapatos de madera (los métodos antiguos).
Resistencia: Funcionó bien incluso cuando los videos estaban comprimidos, recortados o tenían resoluciones extrañas.
Generalización: No solo detectó videos de una IA específica, sino que entendió el "estilo" de falsificación de muchas máquinas diferentes.

En resumen

Este paper nos dice: "Dejen de recortar los videos para verlos". Si queremos cazar a los falsificadores de IA más avanzados, necesitamos mirar los videos con sus propios ojos, en su tamaño real y con su calidad original. Han creado el primer sistema que hace esto de manera eficiente, estableciendo un nuevo estándar para proteger la verdad en la era de los videos sintéticos.

Es como pasar de usar una linterna pequeña en una habitación oscura a encender todas las luces y ver todo el cuarto con claridad absoluta.

Resumen Técnico: Preservación de Artefactos de Falsificación: Detección de Video Generado por IA a Escala Nativa

1. El Problema

La rápida evolución de los modelos de generación de video (como Sora, Runway Gen-3, Kling y modelos basados en Diffusion Transformers) ha permitido la creación de medios sintéticos hiperrealistas, planteando graves riesgos de desinformación. Sin embargo, los métodos de detección actuales presentan limitaciones críticas:

Preprocesamiento Destructivo: La mayoría de los detectores existentes dependen de operaciones de preprocesamiento como el redimensionamiento fijo (ej. a 224x224 píxeles) o el recorte (cropping). Estas operaciones eliminan artefactos de alta frecuencia sutiles y distorsionan las relaciones espaciales, que son pistas forenses cruciales para identificar contenido sintético.
Pérdida de Información: Al reducir la resolución, se pierden inconsistencias espaciotemporales finas y señales semánticas globales que solo son visibles en la resolución original.
Datos Obsoletos: Los conjuntos de datos de entrenamiento actuales suelen basarse en modelos generativos antiguos (de baja resolución y corta duración), lo que resulta en una baja generalización cuando se evalúan contra generadores modernos de alta calidad.
Falta de Robustez: Los detectores entrenados en resoluciones específicas sufren caídas drásticas de rendimiento cuando se evalúan en videos con resoluciones diferentes a las de entrenamiento.

2. Metodología Propuesta

Los autores proponen un marco unificado que aborda estos problemas mediante dos pilares principales: un nuevo conjunto de datos y un nuevo marco de detección basado en transformadores de visión.

A. Curación de Datos (Magic Videos Benchmark)

Dataset de Entrenamiento: Se ha creado un conjunto de datos masivo de más de 140,000 videos generados por 15 modelos de vanguardia (incluyendo fuentes de código abierto como Wan2.1, HunyuanVideo, OpenSora, y comerciales como Sora, Kling, Jimeng).
Benchmark de Evaluación (Magic Videos): Se diseñó un benchmark específico para evaluar contenido sintético ultra-realista. Utiliza un pipeline que toma descripciones de videos reales (de plataformas como Mixkit y Pexels), las refina con prompts optimizados y los genera con 6 modelos generadores de última generación. Esto asegura que la evaluación se realice en condiciones de alta fidelidad y riesgo real.

B. Marco de Detección: Qwen2.5-ViT Nativo
En lugar de redimensionar los videos, el método propone un enfoque de "Escala Nativa" (Native Scale):

Arquitectura Base: Se utiliza el Qwen2.5-VL Vision Transformer (Qwen2.5-ViT) como columna vertebral visual.
Patchificación 3D Nativa: En lugar de tratar los frames individualmente o redimensionarlos, el modelo divide el video en parches 3D (espacio-tiempo) directamente a su resolución y duración originales.
- Para un video $V \in \mathbb{R}^{T \times H \times W \times C}$ , se aplican parches no superpuestos de tamaño $(P_t, P_h, P_w) = (2, 14, 14)$ .
- Esto elimina la necesidad de padding temporal o redimensionamiento espacial forzado.
Optimización de Eficiencia: Para manejar la complejidad computacional de las resoluciones altas, se emplean:
- Flash Attention: Para manejar secuencias largas eficientemente.
- Batch Packing (NaViT): Permite procesar secuencias de longitudes variables sin relleno (padding).
- Atención Ventana Híbrida: Reduce el costo computacional a escala lineal con el número de parches.
Entrenamiento: Se exploran estrategias de ajuste fino (Full Fine-tuning, Linear Probing y LoRA) para adaptar el modelo preentrenado a la tarea de clasificación binaria (Real vs. Generado).

3. Contribuciones Clave

Dataset Diverso y Actualizado: Introducción de un dataset de entrenamiento de 140K videos de 15 generadores y un benchmark de evaluación "Magic Videos" diseñado específicamente para desafiar a los detectores con contenido de última generación.
Marco de Resolución Nativa: Propuesta de un framework basado en Qwen2.5-ViT que procesa videos con su relación de aspecto y resolución originales, preservando los artefactos de falsificación que se pierden en el preprocesamiento convencional.
Rendimiento y Generalización: Demostración de que el enfoque nativo supera a los métodos actuales en múltiples benchmarks, estableciendo un nuevo estado del arte (SOTA) y una mayor robustez ante cambios de resolución y fuentes generadoras.

4. Resultados Experimentales

El modelo fue evaluado en varios benchmarks, incluyendo Magic Videos, GenVideo, DVF y DeepTraceReward.

Magic Videos (Evaluación Principal):
- El modelo Qwen2.5-ViT alcanzó una precisión media (mACC) de 83.20% y una precisión media (mAP) de 93.28%.
- Superó consistentemente a baselines como TimeSformer, X-CLIP, y métodos específicos de detección de deepfakes (TALL, F3Net) y detección de imágenes generadas (NPR, Effort).
- Destacó por su equilibrio: aunque no siempre tuvo el mejor AP en un generador individual, mantuvo un rendimiento alto y consistente en todos los tipos de generadores.
Generalización Cross-Dataset:
- En DVF-Test, logró un AUC promedio de 97.6, demostrando una fuerte capacidad de generalización a técnicas de generación no vistas durante el entrenamiento.
- En GenVideo-Val, superó a modelos entrenados con datasets mucho más grandes (ej. DeMamba con 2.2M muestras), logrando un F1 de 90.64 y una precisión media de 96.13 con solo 140K muestras de entrenamiento.
Análisis de Ablación:
- Resolución Espacial: El uso de resolución dinámica (hasta 720p) mejoró significativamente el rendimiento (89.92% de precisión promedio) en comparación con el redimensionamiento fijo a 224p (73.69%).
- Resolución Temporal: Aumentar el número de frames muestreados ( $T$ ) de 2 a 8 mejoró el rendimiento, confirmando la importancia de capturar inconsistencias temporales.
- Robustez: El modelo mantuvo alta precisión bajo compresión JPEG y H.264 moderada, aunque el rendimiento decayó con recortes y escalados agresivos, superando a los baselines en escenarios de degradación espacial severa.

5. Significado e Impacto

Este trabajo marca un cambio de paradigma en la detección de contenido generado por IA:

Validación de la "Escala Nativa": Demuestra que el preprocesamiento destructivo (redimensionamiento) es un cuello de botella fundamental en la detección de deepfakes de alta calidad. Preservar la resolución original es esencial para capturar las "huellas dactilares" forenses de los modelos generativos modernos.
Calidad de Datos: Establece que la calidad de los datos de entrenamiento (videos generados por modelos de alta fidelidad) es tan crítica como la arquitectura del detector. Los modelos de mayor calidad proporcionan señales de supervisión más informativas.
Futuro de la Detección: Proporciona una base sólida para futuros sistemas de detección que deben operar en entornos reales donde los videos tienen resoluciones, duraciones y fuentes de generación extremadamente diversas.

En conclusión, al eliminar las limitaciones de preprocesamiento y utilizar un dataset de vanguardia, los autores han creado el sistema de detección de video sintético más robusto y generalizable hasta la fecha, capaz de mantener la integridad de las pistas forenses críticas.