🤖 AI

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

Cet article présente un nouveau cadre de détection basé sur Qwen2.5-VL qui traite les vidéos à leur échelle native pour préserver les artefacts de contrefaçon, accompagné d'une vaste nouvelle base de données pour évaluer les médias synthétiques ultra-réalistes.

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

Publié 2026-04-07

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

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

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🎥 Le Détective Vidéo : Pourquoi les vieux outils ne fonctionnent plus

Imaginez que l'IA générative (les robots qui créent des vidéos) est devenue un magicien de l'illusion. Aujourd'hui, elle peut créer des vidéos si réalistes qu'elles semblent tirées de la vie réelle. Le problème ? Nos détecteurs actuels sont comme des policiers qui regardent une scène de crime à travers un trou de serrure : ils ratent les détails importants.

Ce papier de recherche, présenté à la conférence ICLR 2026, propose une nouvelle approche pour attraper ces faux vidéos. Voici comment, expliqué avec des analogies simples.

1. Le Problème : Le "Coup de Ciseaux" Numérique 📐✂️

Jusqu'à présent, pour analyser une vidéo, les détecteurs faisaient deux choses :

Ils réduisaient la taille de l'image (comme passer d'une photo HD à une vignette de 224x224 pixels).
Ils recadraient l'image pour qu'elle rentre dans un carré parfait.

L'analogie : Imaginez que vous essayez de détecter un faux billet de banque. Au lieu de l'examiner sous une loupe pour voir les micro-traits de sécurité, vous le passez dans un photocopieur qui le réduit à la taille d'un timbre-poste.

Résultat : Les détails fins (les "artefacts" ou traces numériques laissées par l'IA) disparaissent. Le détecteur ne voit plus que la forme générale, pas la preuve de la falsification. De plus, recadrer l'image, c'est comme couper les bords d'un puzzle : on perd des indices cruciaux.

2. La Solution : Regarder en "Haute Définition Native" 🔍📺

Les auteurs proposent de ne jamais toucher à la vidéo originale. Ils utilisent un nouveau détective (basé sur un modèle appelé Qwen2.5-ViT) capable de regarder la vidéo exactement telle qu'elle a été créée, quelle que soit sa taille ou sa durée.

L'analogie : Au lieu de regarder la vidéo à travers un trou de serrure, notre nouveau détective porte des lunettes de réalité augmentée ultra-puissantes. Il peut zoomer sur une vidéo de 4K, une vidéo de 720p, ou une vidéo très courte ou très longue, sans jamais la déformer.

Pourquoi c'est mieux ? Il voit les "cicatrices" invisibles que l'IA laisse sur les pixels (comme une texture bizarre sur un ciel ou un mouvement étrange sur une main). Ces cicatrices sont souvent effacées quand on réduit la taille de l'image.

3. L'Entraînement : Une Bibliothèque de Crimes "Ultra-Réalistes" 🎬📚

Un détective ne peut pas apprendre sur de vieux cas. Si on l'entraîne sur des faux vidéos de 2020 (qui sont flous et faciles à repérer), il sera nul face aux vidéos de 2026 (qui sont parfaites).

Les chercheurs ont créé une nouvelle bibliothèque de données :

140 000 vidéos générées par les 15 meilleures IA du monde (des modèles open-source et des géants commerciaux).
Un nouveau test appelé "Magic Videos", conçu spécifiquement pour être ultra-réaliste et piéger les détecteurs.

L'analogie : C'est comme entraîner un chien de police non pas sur des faux billets de 1990, mais sur les contrefaçons les plus sophistiquées de 2026. Le détective apprend à reconnaître les nouvelles techniques de triche.

4. Les Résultats : Le Champion du Monde 🏆

Les tests montrent que cette nouvelle méthode est bien supérieure :

Elle détecte les vidéos truquées même si elles viennent d'une IA qu'elle n'a jamais vue auparavant.
Elle résiste mieux aux compressions (quand on envoie la vidéo sur WhatsApp ou YouTube, ce qui la dégrade).
Elle ne se trompe pas en confondant une vraie vidéo avec une fausse.

L'analogie : Si les anciens détecteurs étaient des gardiens de sécurité qui s'endorment devant un écran de basse qualité, le nouveau détective est un champion olympique de l'observation qui ne rate rien, même dans le noir ou sous la pluie.

En Résumé 🌟

Ce papier dit : "Arrêtons de réduire les vidéos pour les analyser !"
Pour attraper les fausses vidéos de demain, il faut les regarder avec les yeux de demain : en haute définition, sans les déformer, et en s'entraînant sur les meilleurs faux possibles. C'est une mise à jour essentielle pour protéger la vérité dans un monde où tout peut être fabriqué par une machine.

1. Problématique et Contexte

L'avancement rapide des modèles de génération vidéo (AIGC) a permis la création de médias synthétiques ultra-réalistes, posant des menaces majeures pour la désinformation, la vie privée et la confiance publique. Cependant, les méthodes de détection actuelles souffrent de limitations critiques :

Prétraitement destructeur : La plupart des détecteurs existants reposent sur des opérations de prétraitement standardisées, telles que le redimensionnement fixe (ex: 224x224 pixels) ou le recadrage (cropping). Ces opérations dégradent les artefacts de contrefaçon subtils (hautes fréquences) et introduisent des distorsions spatiales, privant le modèle d'informations cruciales pour la détection.
Données obsolètes : Les ensembles de données d'entraînement actuels sont souvent composés de vidéos générées par des modèles anciens, de faible résolution et de courte durée. Ils ne capturent pas la sophistication des générateurs modernes (basés sur des architectures DiT ou des produits commerciaux récents), entraînant une chute de performance lors de l'évaluation sur des vidéos récentes.
Manque de généralisation : Les détecteurs entraînés sur des résolutions fixes peinent à généraliser lorsqu'ils sont confrontés à des vidéos de résolutions, de durées et de sources de génération variées.

2. Méthodologie Proposée

Les auteurs proposent une approche unifiée reposant sur deux piliers principaux : un nouvel ensemble de données de haute qualité et un cadre de détection fonctionnant à l'échelle native.

A. Constitution de Données (Data Curation)

Ensemble d'entraînement : Un dataset massif de plus de 140 000 vidéos synthétiques, générées par 15 modèles d'état de l'art (open-source et commerciaux), incluant des architectures comme Diffusion U-Net, DiT (Diffusion Transformers), et des modèles auto-régressifs.
Benchmark "Magic Videos" : Un ensemble de test rigoureux composé de vidéos ultra-réalistes générées par 6 générateurs récents (Wan2.1, Hailuo, Seaweed, Seedance, StepVideo, etc.) à partir de prompts soigneusement curés. Ce benchmark vise à évaluer la détection dans des conditions réalistes et à haut risque.
Alignement : Les vidéos réelles et synthétiques sont appariées pour assurer un équilibre et une évaluation binaire fiable.

B. Cadre de Détection Natif (Native-Scale Framework)

Le cœur de la méthode est un détecteur basé sur le Vision Transformer Qwen2.5-VL (Qwen2.5-ViT), conçu pour traiter les vidéos sans perte d'information due au prétraitement.

Traitement à l'échelle native : Contrairement aux approches traditionnelles, le modèle accepte des vidéos avec des résolutions spatiales et des durées temporelles variables. Il évite totalement le redimensionnement forcé ou le padding temporel.
Patchification 3D Native : Les vidéos sont tokenisées en patches 3D (spatio-temporels) directement à partir de leur résolution originale.
- Pour une vidéo d'entrée $V \in \mathbb{R}^{T \times H \times W \times C}$ , le modèle divise le tenseur en patches non chevauchants de taille $(P_t, P_h, P_w) = (2, 14, 14)$ .
- Cela préserve les artefacts de haute fréquence et les incohérences spatio-temporelles fines qui seraient autrement effacés par un downsampling.
Architecture et Optimisation :
- Utilisation de RoPE 2D (Rotary Positional Embedding) pour encoder les relations spatiales et améliorer l'extrapolation aux résolutions non vues.
- Optimisations d'efficacité : Utilisation de la stratégie de "batch packing" (NaViT) pour gérer les séquences de longueurs variables sans masques d'attention, combinée à Flash Attention et une attention par fenêtre (windowed attention) pour réduire la complexité quadratique et la consommation mémoire.
Stratégies d'entraînement : Le modèle est adapté via trois stratégies : Full Fine-tuning, Linear Probing (backbone gelé), et PEFT (Low-Rank Adaptation - LoRA).

3. Contributions Clés

Nouveau Dataset et Benchmark : Introduction d'un dataset d'entraînement de 140K vidéos provenant de 15 générateurs et du benchmark "Magic Videos" pour l'évaluation, assurant une couverture des technologies de génération les plus récentes.
Architecture Native : Proposition d'un cadre de détection basé sur Qwen2.5-ViT capable de traiter nativement des vidéos de résolutions et durées variables, préservant ainsi les artefacts de contrefaçon critiques.
Performance et Généralisation : Démonstration que le traitement natif surpasse significativement les méthodes basées sur le redimensionnement fixe, établissant une nouvelle référence (SOTA) pour la détection de vidéos générées par IA.

4. Résultats Expérimentaux

Les expériences ont été menées sur plusieurs benchmarks, notamment Magic Videos, GenVideo, DVF et DeepTraceReward.

Performance Globale : La méthode proposée (Qwen2.5-ViT) atteint les meilleures performances moyennes (mACC et mAP) sur tous les benchmarks.
- Sur Magic Videos, elle obtient une précision moyenne (mACC) de 83,20 % et une précision moyenne (mAP) de 93,28 %, surpassant largement les modèles de fondation (CLIP, X-CLIP) et les détecteurs spécialisés (TALL, F3Net, NPR).
- Sur DVF-test, elle atteint un AUC moyen de 97,6 %.
Robustesse aux Perturbations : Le modèle démontre une robustesse supérieure face aux compressions (JPEG, H.264) et aux réductions d'échelle modérées, bien que les pertes spatiales extrêmes affectent tous les modèles.
Généralisation Trans-Générateur : Le modèle maintient des performances élevées sur des générateurs non vus durant l'entraînement, prouvant sa capacité à apprendre des artefacts généraux plutôt que des spécificités d'un modèle.
Efficacité : Malgré le traitement de résolutions plus élevées, l'optimisation via Flash Attention et bfloat16 permet un temps d'entraînement compétitif et une utilisation mémoire réduite par rapport aux modèles de base comme CLIP-L.

5. Signification et Impact

Ce travail marque un tournant dans la détection de vidéos générées par IA en démontrant que la préservation de la fidélité native des données est essentielle.

Changement de paradigme : Il remet en question la pratique standard du redimensionnement fixe, montrant que celle-ci sacrifie les preuves forensiques les plus subtiles (artefacts de haute fréquence) au profit d'une commodité de calcul obsolète.
Adaptabilité future : En traitant nativement les résolutions et durées variables, le modèle est mieux préparé à l'évolution rapide des générateurs vidéo qui produisent désormais des contenus en 4K et de longues durées.
Base de référence : La combinaison d'un dataset diversifié et d'une architecture native établit une nouvelle norme pour la recherche future dans le domaine de la sécurité des médias synthétiques.

En conclusion, l'article démontre que pour détecter efficacement les vidéos synthétiques de nouvelle génération, il est impératif de conserver l'intégrité des artefacts originaux via un traitement à l'échelle native, plutôt que de les dégrader par des prétraitements agressifs.