Résumé Technique : Détecter tôt, escalader rarement : Détection à tout instant de la vidéo générée par IA à partir du flux binaire compressé

1. Énoncé du problème

Les détecteurs actuels de vidéos générées par IA (AIGV) sont principalement conçus pour une évaluation hors ligne (offline), où un clip vidéo complet est décodé en pixels et scoré une seule fois, utilisant souvent des modèles de langage-vision (VLM) lourds ou de grands réseaux neuronaux. Cependant, le déploiement en conditions réelles est en ligne (streaming), où la vidéo arrive séquentiellement sous forme de blocs compressés. Ce contexte impose des budgets de latence stricts et des contraintes de calcul qui rendent l'exécution de modèles à un milliard de paramètres sur chaque image impraticable. De plus, les méthodes existantes de perception en streaming se concentrent sur la détection d'objets ou la reconnaissance d'actions, et non sur la génération de vidéos synthétiques, et les détecteurs de deepfakes en temps réel reposent généralement sur des images faciales décodées plutôt que sur le flux binaire compressé lui-même.

Le défi central est de détecter l'AIGV en streaming à partir du flux binaire compressé avec une validité à tout instant (prendre des décisions à n'importe quel point du flux avec des taux d'erreur contrôlés) et une adaptativité au calcul (escalader uniquement les clips incertains vers des modèles coûteux).

2. Méthodologie

L'approche proposée, StreamDet, recadre la détection d'AIGV comme un problème de perception en streaming opérant directement sur le champ de mouvement du codec.

2.1 Le protocole de streaming

• Entrée : La vidéo arrive sous la forme d'une séquence ordonnée de Groupes d'Images (GOP), notée $g_1, g_2, \dots, g_N$.
• Extraction de caractéristiques (Étape 1) : Au lieu de décoder les images en pixels, le système analyse le champ de vecteurs de mouvement (MV) quantifié déjà écrit dans le flux binaire par le codec. Pour chaque GOP, il extrait un vecteur de caractéristiques de dimension fixe 13 $\phi_t$ (4 statistiques de mouvement global et 9 dimensions spectrales).
• Scoring : Un scoreur léger basé sur CPU $f_R$ transforme ces caractéristiques en un score $s_t$, où un score plus élevé indique un contenu "généré". Ce processus nécessite environ $10^5$ opérations de multiplication-accumulation (MAC) par GOP, soit cinq ordres de grandeur de moins qu'un CNN dans le domaine des pixels.
• Agrégation : Le système maintient un maximum glissant agrégé $M_t = \max_{i \le t} s_i$. Cette agrégation monotone permet au détecteur d'agir dès que le score franchit un seuil.

2.2 Le mécanisme de décision (Cascade avec report)

Le système utilise une cascade à deux étapes avec une "frontière de calcul tarifée" :

1. Étape 1 (Toujours active) : Un seuil unique, calibré en fin de flux $\tau$ est appliqué au maximum glissant $M_t$.
   • Si $M_t \ge \tau$, le clip est immédiatement classé comme généré (sortie anticipée).
   • Si le flux se termine ou si un budget de latence est atteint sans franchir $\tau$, le système vérifie la proximité du seuil.
2. Bande de report (Deferral Band) : Une largeur $w$ définit une bande d'incertitude $W = [\tau - w, \tau)$.
   • Si $M_t < \tau - w$, le clip est classé comme réel.
   • Si $M_t \in W$, le clip est reporté à l'Étape 2.
3. Étape 2 (À la demande) : Les clips reportés sont escaladés vers un détecteur coûteux (par exemple, un CNN de pixels ou un VLM) appliqué au préfixe observé. La décision finale est le verdict de l'Étape 2 pour les clips reportés et de l'Étape 1 pour tous les autres.

2.3 Garanties théoriques

L'article établie deux propriétés théoriques clés :

• Contrôle des faux positifs valide à tout instant : Parce que l'agrégat $M_t$ est monotone, un seuil unique $\tau$ calibré sur le préfixe final de clips réels contrôle le taux de faux positifs (FPR) au temps d'arrêt dépendant des données (le moment où la porte se déclenche). Cela évite le problème de l'« arrêt optionnel » où la recalibration par préfixe gonflerait le taux d'erreur.
• Frontière calcul-précision : Le coût de calcul attendu a une forme fermée : $\mathbb{E}[C] = \bar{t}C_1 + \text{Pr}(s \in W)C_2$. La précision de la cascade est monotone par rapport au budget de calcul si et seulement si la condition de report est respectée (c'est-à-dire que l'Étape 2 est plus précise que l'Étape 1 spécifiquement sur l'ensemble des clips reportés).

3. Contributions clés

1. Cadre de détection d'AIGV en streaming : Les auteurs ont recadré la détection comme une perception en streaming, définissant des métriques telles que l'AUC à tout instant (AUC-ROC sur les préfixes observés) et l'AUC en streaming sous budget de latence.
2. Front-end de domaine compressé à tout instant : Un étage tournant uniquement sur CPU qui score le champ de mouvement du codec sans décodage de pixels. Il fournit un agrégat de score monotone qui permet des sorties anticipées avec un seuil unique calibré en fin de flux, garantissant le contrôle du FPR au temps d'arrêt.
3. Frontière de calcul tarifée : Un mécanisme de cascade qui escalade uniquement les clips incertains. L'article dérive la frontière calcul-précision, montrant que la précision s'améliore avec le budget uniquement lorsque l'escalade est appliquée aux clips où le modèle peu coûteux est réellement incertain (la "condition de report").

4. Résultats expérimentaux

Les expériences ont été menées sur GenVidBench (une cellule appariée d'environ 27k clips) et AIGVDBench.

• Efficacité vs Précision (Étape 1) : L'étape du codec seule atteint une AUC de 0,64 à la longueur totale et de 0,80 au premier GOP (sAUC(1)), en utilisant $10^5$ MACs par GOP. Cela représente cinq ordres de grandeur de calcul en moins qu'un CNN de pixels ($1,8 \times 10^{10}$ MACs) tout en restant informatif dès le premier segment.
• Performance de la cascade : Le report de 15 % des clips vers un CNN de pixels augmente la précision de la décision de 0,75 (codec seul) à 0,78. Cela permet d'obtenir une meilleure précision que le scoring de chaque clip avec le CNN de pixels (0,76) tout en utilisant 7 fois moins de calcul.
• Escalade VLM : Lors de l'escalade vers un petit VLM (Ivy-xDetector) sur un sous-échantillon, la cascade atteint une précision de 0,79 avec 55 % de report, surpassant nettement le CNN de pixels (0,68) sur ce même ensemble reporté. Cependant, le VLM seul est trop coûteux en calcul ($\sim 10^{13}$ MACs/clip) et peu fiable sur les générateurs "difficiles".
• Garanties : Le seuil calibré en fin de flux a maintené avec succès le FPR au temps d'arrêt à 0,039 (cible $\alpha=0,05$). En revanche, une recalibration naïve par préfixe a provoqué une dérive significative du FPR sous l'effet de changements de distribution.
• Ablations :
  • Biais de mouvement : Le signal survit à un appariement sur la magnitude du mouvement, suggérant qu'il ne s'agit pas simplement d'un artefact de type "les vidéos générées bougent moins".
  • Agrégateur : Le maximum glissant est le seul agrégateur monotone, requis pour les garanties théoriques, bien que le pooling moyen (mean-pooling) produise une précision hors ligne plus élevée.
  • Transversalité des datasets : La méthode se reproduit sur AIGVDBench, bien que le contrôle du FPR dérive légèrement (0,068) lorsque la distribution de test diffère de l'ensemble de calibration.

5. Signification et affirmations

L'article affirme que la détection d'AIGV doit être traitée comme un problème de streaming plutôt que comme une tâche par lots (batch) hors ligne. Sa signification réside dans :

• Recadrage : Passer la détection du domaine des pixels au flux binaire compressé, en exploitant des signaux que le codec a déjà calculés.
• Garanties : Fournir une inférence valide à tout instant où le taux de faux positifs est contrôlé au moment exact où une décision est prise, quel que soit ce moment.
• Efficacité : Démontrer qu'un "léger" parsing de codec peut servir de front-end robuste, réservant le calcul coûteux (GPU/VLM) uniquement aux cas les plus difficiles. Cela crée une frontière calcul-précision monotone où la précision augmente avec le budget uniquement si la logique d'escalade est rigoureuse.

Les auteurs déclarent explicitement qu'ils ne proposent pas une nouvelle architecture de détecteur, mais plutôt un protocole et un recadrage permettant une détection efficace et garantie. Ils reconnaissent des limites, notamment la dépendance à l'accès au flux binaire, la nécessité de calibration sur des données réelles tenues à l'écart, et le potentiel de raccourcis liés au biais de mouvement pour certains générateurs spécifiques.