Resumen Técnico: G2VD

Planteamiento del Problema

Los rápidos avances en la generación de video por IA (por ejemplo, Sora, Stable Video Diffusion, HunyuanVideo) han creado riesgos de seguridad significativos, incluyendo la desinformación y el fraude de identidad. Aunque los detectores existentes funcionan bien en datos intra-dominio, sufren una degradación sustancial de su rendimiento cuando se aplican a generadores no vistos. El artículo identifica el aprendizaje de atajos (shortcut learning) como la causa principal: los detectores dependen de sesgos específicos del dominio (como huellas digitales del generador, patrones de compresión o estilos de generación) en lugar de pistas forenses intrínsecas. Este entrelazamiento crea límites de decisión que fallan en generalizar cuando ocurren cambios de distribución a nivel de generador. Las soluciones actuales, incluyendo la aumentación orientada a la forense y los modelos de lenguaje de gran escala multimodales (MLLM), a menudo no logran superar consistentemente a los detectores especializados bajo tales cambios o producen explicaciones poco fiables.

Metodología

Los autores proponen G2VD (Detección de Video Generado por IA Generalizable), un marco basado en Modelos Causales Estructurales (SCM) que trata las pistas forenses intrínsecas como factores causales ($S$) y el sesgo específico del dominio como factores no causales ($U$). El marco consta de dos componentes principales:

1. Pipeline de Intervención Contrafáctica (CFIPipeline)

Para debilitar la correlación espuria entre el sesgo específico del dominio y las etiquetas de autenticidad, G2VD construye muestras contrafácticas. Idealmente, una muestra contrafáctica $X^*_{cf}$ emparejaría el factor causal de un video falso ($S_f$) con el factor no causal de un video real ($U_r$). Dado que $S$ y $U$ son latentes y están entrelazados, G2VD lo aproxima mediante un proceso de tres pasos:

• Reconstrucción basada en VAE: Los videos reales se reconstruyen utilizando un conjunto diverso de Autoencoders Variacionales (VAEs) para introducir trazas inducidas por la reconstrucción asociadas con pistas forenses intrínsecas.
• Alineación en el Dominio de la Frecuencia: Para preservar las características del dominio ($U_r$) mientras se retienen las trazas de reconstrucción, el pipeline alinea las amplitudes de alta frecuencia del video real original con la fase y los componentes espectrales restantes del video reconstruido. Esto mitiga la atenuación de alta frecuencia causada por la codificación de video con pérdida.
• Alineación en el Dominio de los Píxeles: Se aplica interpolación para reducir las discrepancias residuales de color o contraste, produciendo la muestra contrafáctica final $X_{cf}$.

2. Clasificador de Desentrelazamiento Causal

Basándose en la intervención contrafáctica, el clasificador aprende a separar las representaciones causales y no causales utilizando dos ramas ancladas al dominio y una restricción de independencia:

• Rama Causal: Entrenada para clasificar los videos reales como negativos y tanto los videos falsos originales como las muestras contrafácticas (que comparten el factor causal falso $S_f$) como positivos. Esto fomenta que la rama capture pistas forenses intrínsecas ($S$) independientemente del sesgo del dominio.
• Rama No Causal: Entrenada con una regla de etiquetado complementaria donde las muestras contrafácticas se etiquetan como reales (comparten $U_r$ con los videos reales originales). Esto fomenta que la rama capture el sesgo específico del dominio ($U$).
• Restricción de Independencia: Las dos ramas se regularizan mediante el Criterio de Independencia de Hilbert-Schmidt (HSIC) para minimizar la dependencia estadística entre las representaciones causales ($F_c$) y no causales ($F_{nc}$), asegurando que capturen factores distintos.

Durante la inferencia, el CFIPipeline y la rama no causal se descartan; la predicción depende únicamente del backbone y la rama causal.

Contribuciones Clave

1. Formulación Causal: El artículo replantea la detección de video generado por IA identificando el entrelazamiento de las pistas forenses intrínsecas y el sesgo específico del dominio como la causa raíz del fallo de generalización entre dominios.
2. Marco G2VD: Introduce un nuevo marco que integra la intervención contrafáctica basada en reconstrucción con el desentrelazamiento causal anclado al dominio para mitigar el aprendizaje de atajos.
3. Validación Empírica: Experimentos extensos en cuatro conjuntos de datos públicos demuestran que G2VD logra un fuerte rendimiento entre dominios utilizando solo el 10% de los datos de entrenamiento disponibles, validando la efectividad tanto del pipeline de intervención como del clasificador de desentrelazamiento.

Resultados Experimentales

El marco fue evaluado en cuatro conjuntos de datos: GenVidBench, GenVideo, GVD y GVF.

• GenVidBench: En el desafiante escenario de GenVidBench, G2VD-CLIP logró una precisión general (ACC) del 91.9%, con un puntaje F1 de 0.950 y un AUC de 0.949. Esto representa una mejora de 25.0 puntos porcentuales sobre el mejor baseline (CLIP) y ganancias significativas sobre otros métodos de última generación, particularmente en fuentes difíciles como MuseV y SVD.
• Otros Conjuntos de Datos: Las variantes de G2VD superaron consistentemente a los métodos de referencia en GenVideo, GVD y GVF, con mejoras que oscilan entre 1.8 y 4.7 puntos porcentuales sobre los backbones correspondientes.
• Estudios de Ablación: Eliminar tanto el CFIPipeline como el clasificador de desentrelazamiento causal resultó en una caída drástica del rendimiento (por ejemplo, hasta un ~61–66% de ACC en GenVidBench), confirmando que los componentes de intervención y desentrelazamiento son críticos para la generalización.
• Robustez: El modelo demostró robustez contra el desenfoque gaussiano pero mostró sensibilidad a la compresión JPEG agresiva, lo que sugiere que la compresión elimina la evidencia forense utilizada por el detector.

Significado y Reivindicaciones

El artículo afirma que G2VD proporciona una base práctica para la forense de video entre dominios al guiar a los detectores lejos de los atajos específicos del generador y hacia las pistas forenses intrínsecas. Los autores aseguran que su enfoque separa eficazmente los factores causales de los sesgos no causales, permitiendo una detección fiable incluso bajo cambios de distribución a nivel de generador con datos de entrenamiento limitados. El trabajo destaca que, si bien los métodos basados en MLLM ofrecen explicabilidad, los detectores visuales especializados con mecanismos de desentrelazamiento causal ofrecen actualmente una fiabilidad y generalización superiores en este dominio. Se señala que el trabajo futuro se centrará en mejorar la robustez y la calibración del modelo para su despliegue en el mundo real.