Résumé Technique : VINA - Vidéo comme Augmentation Naturelle pour la Détection Unifiée de Contenu Généré par IA (AIGC)

1. Énoncé du Problème

Les progrès rapides du Contenu Généré par IA (AIGC) ont créé un besoin urgent de détecteurs capables de généraliser à travers des sources de données diverses, des pipelines de déploiement variés et des modalités visuelles multiples. Bien que les détecteurs d'images générées par IA (AIGI) les plus performants (state-of-the-art) obtiennent des résultats compétitifs sur les benchmarks d'images, cet article identifie un mode de défaillance critique et constant : ces détecteurs s'effondrent lorsqu'ils sont appliqués à des images extraites de vidéos générées par IA (AIGV).

Les auteurs soutiennent que traiter la détection d'AIGI et d'AIGV comme des tâches distinctes laisse subsister un fossé fondamental de généralisation intermodale. Ce fossé provient de deux sources principales :

1. Décalages de traitement vidéo agnostiques de la synthèse : Les images vidéo réelles subissent des dégradations complexes et imbriquées absentes des jeux de données d'images standards, notamment la compression par codec (par exemple, H.264), le flou de mouvement, le redimensionnement et la conversion de couleur à plage limitée (par exemple, les plages de luminance TV). Ces décalages suppriment les micro-artefacts haute fréquence sur lesquels les détecteurs d'images s'appuient souvent comme des raccourcis.
2. Empreintes spécifiques au modèle : Les générateurs vidéo modernes introduisent des artefacts temporels distincts et des empreintes liées au mouvement qui diffèrent considérablement des artefacts spatiaux des générateurs d'images.

Par conséquent, les détecteurs entraînés uniquement sur des images échouent à reconnaître les distributions statistiques spécifiques et les motifs de dégradation inhérents aux images vidéo, entraînant des baisses de performance approchant le hasard sur les benchmarks vidéo.

2. Méthodologie : VINA

Pour combler ce fossé, les auteurs proposent VINA (VIdeo as Natural Augmentation), un cadre unifié qui entraîne conjointement sur des données d'images et de vidéos pour parvenir à une détection intermodale robuste.

Philosophie Centrale

VINA traite les images vidéo non pas simplement comme une tâche séparée, mais comme des augmentations naturelles ancrées physiquement pour les données d'images. Les images vidéo exposent les détecteurs à des dégradations réalistes et complexes (compression, flou, décalages de couleur) qui sont difficiles à simuler avec des augmentations 2D conçues à la main (par exemple, flou gaussien ou recompression JPEG).

Composantes Techniques

1. Paradigme d'Entraînement Conjoint : Le cadre entraîne un seul détecteur sur un lot mixte d'images statiques ($D_{img}$) et d'images vidéo ($D_{vid}$). Les images vidéo sont modélisées comme des signaux visuels purs soumis à une fonction de dégradation complexe et non différentiable $T(\cdot)$ représentant le pipeline vidéo (codec, flou de mouvement, redimensionnement).
2. Perte de Contraste Supervisé Intermodale (CM-SupCon) : Pour empêcher l'espace de caractéristiques de rester séparé par modalité (où les caractéristiques d'images et de vidéos se regroupent séparément malgré le partage du même label réel/faux), VINA introduit un terme de régularisation explicite.
   • Mécanisme : Pour un échantillon ancre donné, l'ensemble positif inclut uniquement des échantillons intermodaux (par exemple, une image vidéo appariée à une image) qui partagent le même label de vérité terrain (réel ou faux).
   • Objectif : Cela rapproche les caractéristiques d'images réelles des caractéristiques de vidéos réelles et les caractéristiques d'images fausses des caractéristiques de vidéos fausses, tout en maintenant la séparation entre les classes réelles et fausses. Cela force le modèle à apprendre des traces génératives qui sont discriminatives à la fois pour les images nettes et les images vidéo dégradées, supprimant la dépendance aux raccourcis spécifiques à la modalité.
3. Objectif Unifié : La fonction de perte finale combine la perte d'entropie croisée binaire standard ($L_{BCE}$) avec le terme CM-SupCon :
   $$L = L_{BCE} + \lambda L_{CM-SupCon}$$

3. Contributions Clés

1. Identification d'une Défaillance Systématique : L'article révèle que les détecteurs AIGI les plus performants échouent systématiquement sur les benchmarks vidéo, formulant la détection unifiée de l'AIGC comme un problème de généralisation nécessitant une couverture conjointe des images et des vidéos plutôt que des tâches isolées.
2. Cadre VINA : La proposition d'un cadre d'entraînement conjoint vidéo-image utilisant un objectif CM-SupCon pour régulariser les représentations sous une frontière de décision unifiée, supprimant efficacement les indices de raccourcis spécifiques à la source et à la modalité.
3. Évaluation Complète : Des expériences étendues sur 14 benchmarks (incluant des jeux de données d'images, de vidéos et en conditions réelles) démontrent que VINA réalise des gains bidirectionnels, améliorant les performances sur les tâches vidéo et d'images sans ajustement complexe spécifique au jeu de données ni pipelines d'alignement explicites.

4. Résultats Expérimentaux

Les auteurs ont évalué VINA par rapport à une large gamme de références, incluant des détecteurs spécifiques aux vidéos (par exemple, DeMamba, WaveRep), des détecteurs spécifiques aux images (par exemple, NPR, Effort, Co-SPY) et des méthodes entraînées sur des jeux de données alignés (par exemple, DDA, B-Free).

• Performance sur les Benchmarks :
  • Benchmarks Vidéo : VINA a atteint une précision moyenne de 90,4 %, surpassant significativement les détecteurs uniquement sur images (qui chutaient souvent en dessous de 60 %) et les détecteurs vidéo spécifiques compétitifs.
  • Benchmarks Images : VINA a atteint une précision moyenne de 94,1 %, dépassant les détecteurs d'images spécialisés et démontrant que les données vidéo ne dégradent pas les performances sur images.
  • Benchmarks en Conditions Réelles (In-the-Wild) : Sur des jeux de données réels difficiles (par exemple, Chameleon, SynthWildX, WildRF), VINA a atteint une précision moyenne de 92,9 %, montrant une robustesse supérieure face aux générateurs inconnus et aux post-traitements par rapport aux travaux antérieurs.
• Robustesse : Le modèle a démontré une forte résilience face à diverses perturbations, notamment la compression JPEG/HEIF, la mise à l'échelle et le recadrage, sans nécessiter d'alignement de format explicite pendant l'entraînement.
• Efficacité : Malgré l'utilisation d'un grand backbone DINOv3, VINA opère à une résolution de 256×256 avec 82,4G FLOPs par image, atteignant le débit d'inférence le plus rapide (15,7 s pour 1K images) parmi les méthodes comparées.
• Études d'Ablation :
  • Backbones : Les gains étaient constants à travers les backbones CLIP, DINOv2 et DINOv3.
  • Sources de Données : Des améliorations de performance ont été observées à travers diverses combinaisons de données (par exemple, Pika+ProGAN, GenVideo+SD1.4, 140k+DDA), indiquant que la méthode n'est pas liée à des jeux de données spécifiques.
  • Augmentation vs Entraînement Conjoint : Les stratégies de dégradation synthétique (jitter de couleur, compression HEIF) ont apporté des améliorations modérées mais ont été nettement surpassées par l'utilisation de données vidéo réelles comme augmentation naturelle.

5. Signification et Revendications

L'article revendique que VINA établit un nouveau paradigme pour la détection AIGC en traitant les dégradations vidéo réalistes comme une forme d'augmentation naturelle plutôt que comme un domaine séparé. La signification réside dans :

• Détection Unifiée : Démontrer qu'un seul modèle peut détecter efficacement à la fois les images et les vidéos, comblant le fossé intermodal qui affecte actuellement le domaine.
• Robustesse sans Complexité : Atteindre des performances de pointe sans s'appuyer sur un alignement de données complexe, des pipelines d'augmentation lourds ou un réglage des hyperparamètres spécifique au jeu de données.
• Généralisation : Fournir une solution qui généralise à travers des générateurs non vus et des scénarios en conditions réelles, répondant au besoin critique de détecteurs fonctionnant de manière fiable dans divers environnements de déploiement réels.

Les auteurs concluent que, bien que leur détecteur actuel opère sur des images uniques et ne modélise pas explicitement les relations temporelles, la philosophie d'entraînement conjoint exploite efficacement les propriétés physiques des données vidéo pour créer un cadre de détection plus robuste et universel.