Resumen Técnico: Flujo de Verdad (FoT)

1. Declaración del Problema

El avance rápido de los modelos de generación de Imagen-a-Video (I2V) (por ejemplo, AnimateDiff, Wan2.2, Sora, Kling) permite la creación de videos altamente realistas y temporalmente coherentes a partir de imágenes individuales. Si bien esto es beneficioso para la producción creativa, esta tecnología introduce riesgos significativos de desinformación y fabricación de contenido.

Los mecanismos forenses existentes enfrentan una limitación crítica en este dominio:

• Estático vs. Dinámico: La forense proactiva tradicional incrusta firmas en imágenes estáticas para localizar manipulaciones. Sin embargo, la generación I2V implica una evolución visual progresiva donde los píxeles se mueven, se deforman, desaparecen o se re-sintetizan semánticamente a lo largo del tiempo.
• Deriva Temporal: En I2V, las huellas forenses incrustadas se desvían, se deforman o quedan ocultas a medida que avanzan los fotogramas. La forense espacial estática, que asume una alineación fija de píxeles, se vuelve poco fiable.
• El Desafío Central: La tarea forense cambia de identificar dónde ocurrió la manipulación en un solo fotograma a rastrear cómo fluye y se transforma la evidencia protegida a través del tiempo. Además, los defensores típicamente solo tienen acceso a los fotogramas del video liberados por el atacante; la imagen fuente original no está disponible para la estimación estándar de movimiento fuente-objetivo.

El artículo identifica la rastreabilidad temporal proactiva como un nuevo requisito forense inexplorado: la capacidad de recuperar la imagen fuente original y rastrear la evidencia a través de cambios de movimiento y semánticos sin acceso a la fuente original durante la fase de análisis forense.

2. Metodología: Flujo de Verdad (FoT)

Los autores proponen Flujo de Verdad (FoT), un marco proactivo que replantea la generación I2V desde una perspectiva de movimiento de píxeles en lugar de una simple síntesis de fotogramas. La hipótesis central es que si una señal forense está diseñada para "seguir" y "traducirse" con la dinámica subyacente de los píxeles, puede mantenerse sincronizada con los fotogramas objetivo en evolución.

El marco opera a través de una tubería de cuatro etapas:

A. Reformulación de la Tarea

El problema se define como aprender un mapeo $\Phi: I_t \to \hat{I}_{t \to 0}$, donde $I_t$ es un fotograma observado y $\hat{I}_{t \to 0}$ es la imagen fuente recuperada. La fuente final se reconstruye agregando predicciones de múltiples fotogramas. Esto se reformula como aprender un campo de desplazamiento denso (flujo óptico) desde la fuente hacia el objetivo, permitiendo un retroceso (backward warping) para recuperar la fuente.

B. Incrustación de Plantilla

En lugar de usar plantillas fijas (suficientes para la localización estática pero insuficientes para el seguimiento de movimiento), FoT emplea una plantilla forense aprendible ($T$).

• Un codificador $E$ incrusta $T$ en la imagen fuente $I_0$ para crear $I^T_0$.
• La incrustación se optimiza para ser visualmente imperceptible (minimizando la distorsión de píxeles y LPIPS) mientras asigna energía a regiones visualmente estables que probablemente mantengan consistencia temporal durante la síntesis.

C. Simulación Diferenciable I2V

Para evitar las prohibiciones computacionales y el sesgo de entrenar directamente en modelos I2V de código cerrado específicos, FoT utiliza un mecanismo de simulación diferenciable:

1. Compresión/Reconstrucción: Un Variational Autoencoder (VAE) congelado simula las dinámicas de compresión y reconstrucción de los modelos I2V.
2. Dispersión de Movimiento: Un campo de movimiento $M_i$ se muestrea aleatoriamente de un banco de conjuntos de datos de flujo óptico (FlyingChairs, Sintel, Spring, etc.) para dispersar los píxeles de la imagen reconstruida.
   Esta configuración proporciona etiquetas de movimiento de verdad fundamental explícitas para el entrenamiento sin requerir videos I2V reales, asegurando que el método se generalice entre generadores.

D. Captura de Movimiento y Modelado de Incertidumbre

Un módulo de predicción de flujo guiado por plantilla estima el campo de desplazamiento denso entre la fuente incrustada y el fotograma simulado.

• Predicción de Incertidumbre: Reconociendo que algunas regiones (por ejemplo, áreas ocultas o contenido re-sintetizado semánticamente) son inherentemente no observables, el modelo predice un mapa de confianza junto con el flujo.
• Función de Pérdida: Se utiliza una pérdida de Mezcla de Laplace para modelar tanto el movimiento determinista como los casos inciertos (oclusión, contenido nuevo), permitiendo que el sistema reduzca el peso de los vectores de flujo poco fiables durante la reconstrucción.

E. Inversión de Flujo (Inferencia)

Durante la inferencia, FoT decodifica la evidencia de plantilla sobreviviente de los fotogramas del video del atacante.

1. Predice el campo de movimiento desde la fuente hasta el fotograma actual.
2. Retrocede (backward-warps) el fotograma al sistema de coordenadas de la fuente.
3. Fusiona reconstrucciones de múltiples fotogramas utilizando los mapas de confianza predichos como máscaras suaves para generar la imagen fuente recuperada final.

3. Contribuciones Clave

1. Identificación del Problema: El artículo define la rastreabilidad temporal proactiva como un nuevo requisito forense crítico para I2V, donde la evidencia debe rastrearse a través del movimiento y la deriva semántica.
2. Diseño del Marco: FoT es el primer marco proactivo para la recuperación de fuentes en I2V. Modela de manera única la generación de video como movimiento píxel a píxel, aprendiendo una plantilla forense que co-evoluciona con las trayectorias de píxeles.
3. Generalización: El método se entrena sobre una simulación diferenciable de movimiento y compresión, permitiéndole generalizar tanto a modelos I2V comerciales (Kling, Dreamina) como de código abierto (CogVideoX, Wan2.2) sin acceso directo a sus pesos.
4. Capacidades Auxiliares: Los autores demuestran que FoT actúa como un módulo de conexión general que:
   • Mejora la robustez de las marcas de agua de derechos de autor frente a distorsiones geométricas y transformaciones I2V.
   • Mejora la localización de manipulaciones aprovechando características basadas en movimiento para detectar inconsistencias de contenido.

4. Resultados Experimentales

Los autores evaluaron FoT en una prueba personalizada compuesta por 204 pares de fuente-prompt a través de cinco escenarios de movimiento (Rostro, Cámara, Animal, Humano-Ambiente, Multi-Humano) y cuatro modelos I2V.

• Recuperación de la Verdad: FoT supera significativamente a los fotogramas "Falsificados" sin procesar en la recuperación de la imagen fuente original.
  • Nivel de Fotograma: FoT mejoró el PSNR de ~20.4 a ~23.0 y el SSIM de ~0.64 a ~0.76 en promedio a través de las escalas de movimiento.
  • Nivel de Video: Incluso cuando se descartó el 90% de los fotogramas iniciales (un ataque severo), FoT mantuvo una clara ventaja de rendimiento sobre la evidencia falsificada cruda, demostrando resiliencia ante la pérdida de datos temporales.
• Precisión de Captura de Movimiento:
  • El rendimiento varió según el modelo y el escenario. CogVideoX produjo los resultados más estables (AEE ~6.88), mientras que Dreamina S2.0 presentó los mayores desafíos (AEE ~30.6).
  • Análisis de Escenario: El movimiento de "Cámara" (global, coherente) fue más fácil de capturar que los escenarios "Humano-Ambiente" o "Multi-Humano", que involucran interacciones complejas y no rígidas.
  • Análisis de Escala: Las magnitudes de movimiento grandes (>40px) causaron consistentemente errores más altos, reflejando los desafíos del flujo óptico tradicional, pero FoT permaneció efectivo para movimientos grandes estructurados (por ejemplo, zooms de cámara).
• Tareas Auxiliares:
  • Marcado de Agua: FoT mejoró la precisión de bits para ataques geométricos e I2V cuando se utilizó como capa de recuperación posterior a la incrustación para RoSteALS.
  • Localización de Manipulación: El marco logró puntuaciones Dice altas (>0.95 en entradas limpias) en la localización de regiones editadas, validando que las características basadas en movimiento se generalizan a la detección de manipulaciones.

5. Significado y Afirmaciones

El artículo posiciona a FoT como un paso fundamental hacia la forense temporal proactiva.

• Cambio de Paradigma: Mueve el análisis forense de la localización espacial estática al rastreo temporal dinámico, abordando la naturaleza específica del video generativo donde el contenido evoluciona con el tiempo.
• Utilidad Práctica: Al recuperar la "verdad" (la imagen fuente) de videos manipulados, FoT proporciona un mecanismo para verificar la autenticidad incluso cuando la fuente original se pierde o es ocultada por el atacante.
• Limitaciones y Trabajo Futuro: Los autores reconocen modestamente que FoT lucha con la re-sintesis semántica (donde el generador crea contenido completamente nuevo no presente en la fuente) y movimientos altamente no rígidos y heterogéneos (por ejemplo, interacciones humanas complejas). Sugieren que el trabajo futuro debe centrarse en priores generativos de alto nivel y razonamiento consciente de la región para manejar estos "modos de fallo".

El trabajo concluye que, aunque rastrear píxeles a través de desplazamientos grandes y no rígidos sigue siendo un desafío, FoT establece una vía viable para rastrear evidencia protegida a través de la evolución temporal del video generado por IA.