Resumen Técnico: VINA - Video como Aumento Natural para la Detección Unificada de AIGC

1. Enunciado del Problema

El rápido avance del Contenido Generado por IA (AIGC) ha creado una necesidad urgente de detectores que generalicen a través de diversas fuentes de datos, pipelines de despliegue y modalidades visuales. Si bien los detectores de imágenes generadas por IA (AIGI) más avanzados (SOTA) tienen un rendimiento competitivo en los conjuntos de referencia de imágenes, este trabajo identifica un modo de fallo crítico y consistente: estos detectores colapsan cuando se aplican a fotogramas extraídos de videos generados por IA (AIGV).

Los autores argumentan que tratar la detección de AIGI y AIGV como tareas separadas deja una brecha fundamental de generalización entre modalidades. Esta brecha surge de dos fuentes principales:

1. Desplazamientos en el Procesamiento de Video Agnósticos a la Síntesis: Los fotogramas de video del mundo real sufren degradaciones complejas y entrelazadas que no están presentes en los conjuntos de datos de imágenes estándar, incluyendo compresión de códec (por ejemplo, H.264), desenfoque de movimiento, redimensionamiento y conversión de color de rango limitado (por ejemplo, rangos de luminancia de TV). Estos desplazamientos suprimen los micro-artefactos de alta frecuencia en los que los detectores de imágenes a menudo se basan como atajos.
2. Huellas Dactilares Específicas del Modelo: Los generadores de video modernos introducen artefactos temporales distintos y huellas relacionadas con el movimiento que difieren significativamente de los artefactos espaciales de los generadores de imágenes.

En consecuencia, los detectores entrenados únicamente con imágenes no logran reconocer las distribuciones estadísticas específicas y los patrones de degradación inherentes a los fotogramas de video, lo que conduce a caídas en el rendimiento que se acercan a la adivinanza aleatoria en los conjuntos de referencia de video.

2. Metodología: VINA

Para abordar esta brecha, los autores proponen VINA (VIdeo as Natural Augmentation), un marco unificado que entrena conjuntamente tanto con datos de imágenes como de video para lograr una detección robusta entre modalidades.

Filosofía Central

VINA trata los fotogramas de video no meramente como una tarea separada, sino como aumentos naturales fundamentados físicamente para los datos de imágenes. Los fotogramas de video exponen a los detectores a degradaciones realistas y complejas (compresión, desenfoque, desplazamientos de color) que son difíciles de simular con aumentos 2D artesanales (por ejemplo, desenfoque gaussiano o recomprimir JPEG).

Componentes Técnicos

1. Paradigma de Entrenamiento Conjunto: El marco entrena un único detector en un lote mixto de imágenes estáticas ($D_{img}$) y fotogramas de video ($D_{vid}$). Los fotogramas de video se modelan como señales visuales prístinas sometidas a una función de degradación compleja y no diferenciable $T(\cdot)$ que representa el pipeline de video (códec, desenfoque de movimiento, redimensionamiento).
2. Pérdida Contrastiva Supervisada entre Modalidades (CM-SupCon): Para evitar que el espacio de características permanezca separado por modalidad (donde las características de imágenes y video se agrupan por separado a pesar de compartir la misma etiqueta real/falsa), VINA introduce un término de regularización explícito.
   • Mecanismo: Para una muestra ancla dada, el conjunto positivo incluye únicamente muestras entre modalidades (por ejemplo, un fotograma de video emparejado con una imagen) que comparten la misma etiqueta de verdad fundamental (real o falsa).
   • Objetivo: Esto atrae las características de imágenes reales hacia las características de video reales y las características de imágenes falsas hacia las características de video falsas, manteniendo al mismo tiempo la separación entre las clases reales y falsas. Esto obliga al modelo a aprender rastros generativos que sean discriminativos tanto en imágenes limpias como en fotogramas de video degradados, suprimiendo la dependencia de atajos específicos de la modalidad.
3. Objetivo Unificado: La función de pérdida final combina la entropía cruzada binaria estándar ($L_{BCE}$) con el término CM-SupCon:
   $$L = L_{BCE} + \lambda L_{CM-SupCon}$$

3. Contribuciones Clave

1. Identificación de un Fallo Sistemático: El trabajo revela que los detectores AIGI SOTA fallan sistemáticamente en los conjuntos de referencia de video, formulando la detección unificada de AIGC como un problema de generalización que requiere una cobertura conjunta de imágenes y videos en lugar de tareas aisladas.
2. Marco VINA: La propuesta de un marco de entrenamiento conjunto video-imagen que utiliza un objetivo CM-SupCon para regularizar las representaciones bajo un límite de decisión unificado, suprimiendo eficazmente las pistas de atajo específicas de la fuente y la modalidad.
3. Evaluación Exhaustiva: Experimentos extensos en 14 conjuntos de referencia (incluyendo conjuntos de datos de imágenes, video y del mundo real) demuestran que VINA logra ganancias bidireccionales, mejorando el rendimiento tanto en tareas de video como de imágenes sin un ajuste complejo específico del conjunto de datos ni pipelines de alineación explícitos.

4. Resultados Experimentales

Los autores evaluaron VINA frente a una amplia gama de líneas base, incluidos detectores específicos de video (por ejemplo, DeMamba, WaveRep), detectores específicos de imágenes (por ejemplo, NPR, Effort, Co-SPY) y métodos entrenados en conjuntos de datos alineados (por ejemplo, DDA, B-Free).

• Rendimiento en Conjuntos de Referencia:
  • Conjuntos de Referencia de Video: VINA alcanzó una precisión promedio del 90.4%, superando significativamente a los detectores solo de imágenes (que a menudo caían por debajo del 60%) y a los detectores específicos de video competitivos.
  • Conjuntos de Referencia de Imágenes: VINA alcanzó una precisión promedio del 94.1%, superando a los detectores de imágenes especializados y demostrando que los datos de video no degradan el rendimiento en imágenes.
  • Conjuntos de Referencia del Mundo Real: En conjuntos de datos desafiantes del mundo real (por ejemplo, Chameleon, SynthWildX, WildRF), VINA alcanzó una precisión promedio del 92.9%, mostrando una robustez superior frente a generadores desconocidos y postprocesamiento en comparación con lo anterior.
• Robustez: El modelo demostró una fuerte resiliencia frente a diversas perturbaciones, incluida la compresión JPEG/HEIF, el escalado y el recorte, sin requerir alineación de formato explícita durante el entrenamiento.
• Eficiencia: A pesar de utilizar una gran base DINOv3, VINA opera a una resolución de 256×256 con 82.4G FLOPs por fotograma, logrando el mayor rendimiento de inferencia (15.7s por 1K fotogramas) entre los métodos comparados.
• Estudios de Ablación:
  • Bases: Las ganancias fueron consistentes en las bases CLIP, DINOv2 y DINOv3.
  • Fuentes de Datos: Se observaron mejoras en el rendimiento en diversas combinaciones de datos (por ejemplo, Pika+ProGAN, GenVideo+SD1.4, 140k+DDA), lo que indica que el método no está atado a conjuntos de datos específicos.
  • Aumento vs. Entrenamiento Conjunto: Las estrategias de degradación sintética (jitter de color, compresión HEIF) proporcionaron mejoras moderadas, pero fueron superadas significativamente por el uso de datos de video reales como aumento natural.

5. Significado y Afirmaciones

El trabajo afirma que VINA establece un nuevo paradigma para la detección de AIGC al tratar las degradaciones realistas de video como una forma de aumento natural en lugar de un dominio separado. El significado radica en:

• Detección Unificada: Demostrar que un único modelo puede detectar eficazmente tanto imágenes como videos, cerrando la brecha entre modalidades que actualmente aflige al campo.
• Robustez sin Complejidad: Lograr un rendimiento SOTA sin depender de alineación de datos compleja, pipelines de aumento pesados o ajuste de hiperparámetros específico del conjunto de datos.
• Generalización: Proporcionar una solución que generalice a generadores no vistos y escenarios del mundo real, abordando la necesidad crítica de detectores que funcionen de manera confiable en diversos entornos de despliegue real.

Los autores concluyen que, aunque su detector actual opera en fotogramas individuales y no modela explícitamente las relaciones temporales, la filosofía de entrenamiento conjunto aprovecha eficazmente las propiedades físicas de los datos de video para crear un marco de detección más robusto y universal.