Resumen Técnico: Detectar Temprano, Escalar Rara Vez: Detección en Cualquier Momento de Video Generado por IA desde el Bitstream Comprimido

1. Declaración del Problema

Los detectores actuales para video generado por IA (AIGV) están diseñados principalmente para la evaluación offline (fuera de línea), donde un clip de video completo se decodifica en píxeles y se califica una sola vez, utilizando a menudo modelos de Lenguaje-Visión (VLM) pesados o redes neuronales de gran tamaño. Sin embargo, el despliegue en el mundo real es online (en streaming), donde el video llega secuencialmente en fragmentos comprimidos. Este entorno impone presupuestos estrictos de latencia y restricciones computacionales que hacen que ejecutar modelos de miles de millones de parámetros en cada fotograma entrante sea impracticable. Además, los métodos existentes de percepción en streaming se centran en la detección de objetos o el reconocimiento de acciones, no en la generación de video sintético, y los detectores de deepfakes en tiempo real suelen depender de imágenes faciales decodificadas en lugar del propio bitstream comprimido.

El desafío central es detectar AIGV en streaming desde el bitstream comprimido con validez en cualquier momento (tomar decisiones en cualquier punto del flujo con tasas de error controladas) y adaptabilidad computacional (escalar solo los clips inciertos a modelos costosos).

2. Metodología

El enfoque propuesto, StreamDet, replantea la detección de AIGV como un problema de percepción en streaming que opera directamente sobre el campo de movimiento del códec.

2.1 El Protocolo de Streaming

• Entrada: El video llega como una secuencia ordenada de Grupos de Imágenes (GOPs), denotados como $g_1, g_2, \dots, g_N$.
• Extracción de Características (Etapa 1): En lugar de decodificar los fotogramas a píxeles, el sistema analiza el campo de vectores de movimiento (MV) cuantizado que ya está escrito en el bitstream por el códec. Para cada GOP, extrae un vector de características de 13 dimensiones $\phi_t$ (4 estadísticas de movimiento global y 9 dimensiones espectrales).
• Calificación: Un calificador ligero basado en CPU $f_R$ mapea estas características a una puntuación $s_t$, donde una puntuación más alta indica "generado". Este proceso requiere aproximadamente $10^5$ operaciones de multiplicación-acumulación (MACs) por GOP, cinco órdenes de magnitud menos que una CNN en el dominio de los píxeles.
• Agregación: El sistema mantiene un máximo acumulado (running maximum) $M_t = \max_{i \le t} s_i$. Esta agregación monotónica permite que el detector actúe tan pronto como la puntuación cruce un umbral.

2.2 El Mecanismo de Decisión (Cascada con Diferimiento)

El sistema emplea una cascada de dos etapas con una "frontera de cómputo con precio":

1. Etapa 1 (Siempre activa): Se aplica un único umbral calibrado al final $\tau$ al máximo acumulado $M_t$.
   • Si $M_t \ge \tau$, el clip se clasifica inmediatamente como generado (salida temprana).
   • Si el flujo termina o se alcanza un presupuesto de latencia sin cruzar $\tau$, el sistema verifica la proximidad al umbral.
2. Banda de Diferimiento: Una anchura $w$ define una banda de incertidumbre $W = [\tau - w, \tau)$.
   • Si $M_t < \tau - w$, el clip se clasifica como real.
   • Si $M_t \in W$, el clip se difiere a la Etapa 2.
3. Etapa 2 (B demanda): Los clips diferidos se escalan a un detector costoso (por ejemplo, una CNN de píxeles o un VLM) aplicado al prefijo observado. La decisión final es el veredicto de la Etapa 2 para los clips diferidos y de la Etapa 1 para todos los demás.

2.3 Garantías Teóricas

El artículo establece dos propiedades teóricas clave:

• Control de Falsos Positivos Válido en Cualquier Momento: Debido a que el agregado $M_t$ es monótono, un único umbral $\tau$ calibrado en el prefijo final de clips reales controla la tasa de falsos positivos (FPR) en el tiempo de parada dependiente de los datos (el momento en que se activa la compuerta). Esto evita el problema del "parada opcional" donde la recalibración por cada prefijo inflaría la tasa de error.
• Frontera de Cómputo-Precisión: El costo de cómputo esperado tiene una forma cerrada: $\mathbb{E}[C] = \bar{t}C_1 + \text{Pr}(s \in W)C_2$. La precisión de la cascada es monótona con respecto al presupuesto de cómputo si y solo si se cumple la condición de diferimiento (es decir, la Etapa 2 es más precisa que la Etapa 1 específicamente en el conjunto diferido).

3. Contribuciones Clave

1. Marco de Detección de AIGV en Streaming: Los autores han reformulado la detección como percepción en streaming, definiendo métricas como AUC en cualquier momento (ROC-AUC sobre prefijos observados) y AUC en streaming con presupuesto de latencia.
2. Front-end de Tiempo Real en el Dominio Comprimido: Una etapa basada únicamente en CPU que califica el campo de movimiento del códec sin decodificación de píxeles. Proporciona un agregado de puntuación monótono que permite salidas tempranas con un único umbral calibrado al final, garantizando el control de la FPR en el tiempo de parada.
3. Frontera de Cómputo con Precio: Un mecanismo de cascada que escala solo los clips inciertos. El artículo deriva la frontera de cómputo-precisión, mostrando que la precisión mejora con el presupuesto solo cuando la escalada se aplica a los clips donde el modelo barato es realmente incierto (la "condición de diferimiento").

4. Resultados Experimentales

Los experimentos se realizaron en GenVidBench (una celda emparejada de ~27k clips) y AIGVDBench.

• Eficiencia vs. Precisión (Etapa 1): El etapa del códec por sí sola logra un AUC de 0.64 a longitud completa y 0.80 en el primer GOP (sAUC(1)), usando $10^5$ MACs por GOP. Esto es cinco órdenes de magnitud menos de cómputo que una CNN de píxeles ($1.8 \times 10^{10}$ MACs) y, aun así, sigue siendo informativa desde el primer fragmento.
• Desempeño de la Cascada: Diferir el 15% de los clips a una CNN de píxeles aumenta la precisión de la decisión de 0.75 (solo códec) a 0.78. Esto logra una mayor precisión que calificar cada clip con la CNN de píxeles (0.76) utilizando 7 veces menos cómputo.
• Escalada a VLM: Al escalar a un pequeño VLM (Ivy-xDetector) en una submuestra, la cascada logra una precisión de 0.79 con un 55% de diferimiento, superando significativamente a la CNN de píxeles (0.68) en ese mismo conjunto diferido. Sin embargo, el VLM por sí solo es computacionalmente prohibitivo ($\sim 10^{13}$ MACs/clip) y poco fiable ante generadores "difíciles".
• Garantías: El umbral calibrado al final mantuvo con éxito la FPR del tiempo de parada en 0.039 (objetivo $\alpha=0.05$). En contraste, la recalibración por prefijo ingenuamente causó que la FPR derivara significativamente bajo cambios de distribución.
• Ablaciones:
  • Sesgo de Movimiento: La señal sobrevive al emparejamiento por magnitud de movimiento, lo que sugiere que no es simplemente un artefacto de "los videos generados se mueven menos".
  • Agregador: El máximo acumulado es el único agregador monótono, necesario para las garantías teóricas, a pesar de que el pooling de medias (mean-pooling) produce una mayor precisión offline.
  • Transversalidad de Datasets: El método se replica en AIGVDBench, aunque el control de la FPR deriva ligeramente (0.068) cuando la distribución de prueba difiere del conjunto de calibración.

5. Significancia y Reivindicaciones

El artículo sostiene que la detección de AIGV debe tratarse como un problema de streaming en lugar de una tarea de lote (batch) offline. Su significancia radica en:

• Reformulación: Mover la detección del dominio de los píxeles al bitstream comprimido, aprovechando las señales que el códec ya ha computado.
• Garantías: Proporcionar inferencia válida en cualquier momento donde la tasa de falsos positivos se controla en el momento exacto en que se toma la decisión, independientemente de cuándo ocurra ese momento.
• Eficiencia: Demostrar que un análisis de códec "barato" puede servir como un front-end robusto, reservando el cómputo costoso (GPU/VLM) solo para los casos más difíciles. Esto crea una frontera de cómputo-precisión monótona donde la precisión escala con el presupuesto solo cuando la lógica de escalada es sólida.

Los autores declaran explícitamente que no proponen una nueva arquitectura de detector, sino más bien un protocolo y una reformulación que permite una detección eficiente, garantizada y adaptativa. Reconocen limitaciones, incluyendo la dependencia del acceso al bitstream, la necesidad de calibración con datos reales retenidos y el potencial de atajos por sesgo de movimiento en generadores específicos.