Résumé Technique : Flux de Vérité (FoT)

1. Énoncé du Problème

Les progrès rapides des modèles de génération Image-vers-Vidéo (I2V) (par exemple, AnimateDiff, Wan2.2, Sora, Kling) permettent de créer des vidéos hautement réalistes et temporellement cohérentes à partir d'images uniques. Bien que bénéfique pour la production créative, cette technologie introduit des risques significatifs de désinformation et de fabrication de contenu.

Les mécanismes forensiques existants font face à une limitation critique dans ce domaine :

• Statique vs Dynamique : Les techniques forensiques proactives traditionnelles intègrent des signatures dans des images statiques pour localiser les altérations. Cependant, la génération I2V implique une évolution visuelle progressive où les pixels se déplacent, se déforment, disparaissent ou sont ré-synthétisés sémantiquement au fil du temps.
• Dérive Temporelle : Dans le contexte I2V, les traces forensiques intégrées dérivent, se déforment ou deviennent occluses à mesure que les images progressent. Les techniques forensiques spatiales statiques, qui supposent un alignement fixe des pixels, deviennent peu fiables.
• Le Défi Central : La tâche forensique passe de l'identification de l'endroit où la manipulation a eu lieu dans une image unique au traçage de la manière dont les preuves protégées circulent et se transforment dans le temps. De plus, les défenseurs n'ont généralement accès qu'aux images vidéo publiées par l'attaquant ; l'image source originale n'est pas disponible pour une estimation standard du mouvement source-cible.

L'article identifie la traçabilité temporelle proactive comme une nouvelle exigence forensique inexplorée : la capacité de récupérer l'image source originale et de tracer les preuves à travers les changements de mouvement et sémantiques sans accès à la source originale lors de la phase d'analyse forensique.

2. Méthodologie : Flux de Vérité (FoT)

Les auteurs proposent le Flux de Vérité (FoT), un cadre proactif qui reformule la génération I2V d'un point de vue du mouvement des pixels plutôt que d'une simple synthèse d'images. L'hypothèse centrale est que si un signal forensique est conçu pour « suivre » et « traduire » la dynamique sous-jacente des pixels, il peut rester synchronisé avec les images cibles évolutives.

Le cadre fonctionne via un pipeline en quatre étapes :

A. Reformulation de la Tâche

Le problème est défini comme l'apprentissage d'une application $\Phi: I_t \to \hat{I}_{t \to 0}$, où $I_t$ est une image observée et $\hat{I}_{t \to 0}$ est l'image source récupérée. La source finale est reconstruite en agrégeant les prédictions multi-images. Cela est reformulé comme l'apprentissage d'un champ de déplacement dense (flux optique) de la source vers la cible, permettant un retournement (warping) inverse pour récupérer la source.

B. Intégration de Modèle

Au lieu d'utiliser des modèles fixes (suffisants pour la localisation statique mais insuffisants pour le suivi de mouvement), FoT emploie un modèle forensique apprenable ($T$).

• Un encodeur $E$ intègre $T$ dans l'image source $I_0$ pour créer $I^T_0$.
• L'intégration est optimisée pour être visuellement imperceptible (minimisant la distorsion des pixels et le LPIPS) tout en allouant de l'énergie à des régions visuellement stables susceptibles de maintenir une cohérence temporelle pendant la synthèse.

C. Simulation I2V Différentiable

Pour éviter les prohibitions computationnelles et les biais liés à l'entraînement direct sur des modèles I2V spécifiques en source fermée, FoT utilise un mécanisme de simulation différentiable :

1. Compression/Reconstruction : Un Autoencodeur Variationnel (VAE) figé simule les dynamiques de compression et de reconstruction des modèles I2V.
2. Dispersion du Mouvement : Un champ de mouvement $M_i$ est échantillonné aléatoirement à partir d'une banque de jeux de données de flux optique (FlyingChairs, Sintel, Spring, etc.) pour disperser les pixels de l'image reconstruite.
   Cette configuration fournit des étiquettes de mouvement de vérité terrain explicites pour l'entraînement sans nécessiter de vraies vidéos I2V, garantissant que la méthode se généralise à travers les générateurs.

D. Capture de Mouvement et Modélisation de l'Incertitude

Un module de prédiction de flux guidé par le modèle estime le champ de déplacement dense entre la source intégrée et l'image simulée.

• Prédiction d'Incertitude : Reconnaissant que certaines régions (par exemple, les zones occluses ou le contenu ré-synthétisé sémantiquement) sont intrinsèquement inobservables, le modèle prédit une carte de confiance parallèlement au flux.
• Fonction de Perte : Une perte de type Mélange de Laplace est utilisée pour modéliser à la fois le mouvement déterministe et les cas incertains (occlusion, nouveau contenu), permettant au système de réduire le poids des vecteurs de flux peu fiables lors de la reconstruction.

E. Inversion du Flux (Inférence)

Lors de l'inférence, FoT décode les preuves de modèle survivantes à partir des images vidéo de l'attaquant.

1. Il prédit le champ de mouvement de la source vers l'image courante.
2. Il effectue un retournement inverse de l'image vers le système de coordonnées de la source.
3. Il fusionne les reconstructions multi-images en utilisant les cartes de confiance prédites comme masques souples pour générer l'image source récupérée finale.

3. Contributions Clés

1. Identification du Problème : L'article définit la traçabilité temporelle proactive comme une nouvelle exigence forensique critique pour l'I2V, où les preuves doivent être tracées à travers le mouvement et la dérive sémantique.
2. Conception du Cadre : FoT est le premier cadre proactif pour la récupération de source en I2V. Il modélise de manière unique la génération vidéo comme un mouvement pixel par pixel, apprenant un modèle forensique qui co-évolue avec les trajectoires de pixels.
3. Généralisation : La méthode est entraînée sur une simulation différentiable de mouvement et de compression, lui permettant de se généraliser à la fois aux modèles I2V commerciaux (Kling, Dreamina) et open-source (CogVideoX, Wan2.2) sans accès direct à leurs poids.
4. Capacités Auxiliaires : Les auteurs démontrent que FoT agit comme un module plug-in général qui :
   • Améliore la robustesse des filigranes de droits d'auteur contre les distorsions géométriques et les transformations I2V.
   • Améliore la localisation des altérations en exploitant des caractéristiques basées sur le mouvement pour détecter les incohérences de contenu.

4. Résultats Expérimentaux

Les auteurs ont évalué FoT sur une benchmark personnalisée comprenant 204 paires source-prompts à travers cinq scénarios de mouvement (Visage, Caméra, Animal, Humain-Environnement, Multi-Humain) et quatre modèles I2V.

• Récupération de Vérité : FoT surpasse significativement les images « Falsifiées » non traitées dans la récupération de l'image source originale.
  • Niveau Image : FoT a amélioré le PSNR d'environ 20,4 à 23,0 et le SSIM d'environ 0,64 à 0,76 en moyenne à travers les échelles de mouvement.
  • Niveau Vidéo : Même lorsque 90 % des images initiales ont été rejetées (une attaque sévère), FoT a maintenu un avantage de performance clair par rapport aux preuves falsifiées brutes, démontrant une résilience à la perte de données temporelles.
• Précision de la Capture de Mouvement :
  • Les performances variaient selon le modèle et le scénario. CogVideoX a produit les résultats les plus stables (AEE ~6,88), tandis que Dreamina S2.0 présentait les défis les plus élevés (AEE ~30,6).
  • Analyse de Scénario : Le mouvement « Caméra » (global, cohérent) était plus facile à capturer que les scénarios « Humain-Environnement » ou « Multi-Humain », qui impliquent des interactions complexes et non rigides.
  • Analyse d'Échelle : De grandes amplitudes de mouvement (>40px) ont systématiquement causé des erreurs plus élevées, faisant écho aux défis du flux optique traditionnel, mais FoT est resté efficace pour les grands mouvements structurés (par exemple, zooms de caméra).
• Tâches Auxiliaires :
  • Filigranage : FoT a amélioré la précision des bits pour les attaques géométriques et I2V lorsqu'il était utilisé comme une couche de récupération post-intégration pour RoSteALS.
  • Localisation d'Altération : Le cadre a obtenu des scores Dice élevés (>0,95 sur des entrées propres) dans la localisation des régions éditées, validant que les caractéristiques basées sur le mouvement se généralisent à la détection d'altération.

5. Signification et Revendications

L'article positionne FoT comme une étape fondamentale vers la forensique temporelle proactive.

• Changement de Paradigme : Il déplace l'analyse forensique de la localisation spatiale statique vers le traçage temporel dynamique, répondant à la nature spécifique de la vidéo générative où le contenu évolue dans le temps.
• Utilité Pratique : En récupérant la « vérité » (l'image source) à partir de vidéos manipulées, FoT fournit un mécanisme pour vérifier l'authenticité même lorsque la source originale est perdue ou cachée par l'attaquant.
• Limites et Travaux Futurs : Les auteurs reconnaissent modestement que FoT éprouve des difficultés avec la ré-synthèse sémantique (où le générateur crée un contenu entièrement nouveau absent de la source) et les mouvements hautement non rigides et hétérogènes (par exemple, interactions humaines complexes). Ils suggèrent que les travaux futurs devraient se concentrer sur des priors génératifs de haut niveau et un raisonnement conscient des régions pour gérer ces « modes de défaillance ».

L'ouvrage conclut que si le suivi des pixels à travers de grands déplacements non rigides reste difficile, FoT établit une voie viable pour tracer les preuves protégées à travers l'évolution temporelle de la vidéo générée par l'IA.