Sintesi Tecnica: Flusso della Verità (FoT)

1. Enunciato del Problema

Il rapido avanzamento dei modelli di generazione da Immagine a Video (I2V) (ad es. AnimateDiff, Wan2.2, Sora, Kling) consente la creazione di video altamente realistici e temporalmente coerenti a partire da singole immagini. Sebbene benefico per la produzione creativa, questa tecnologia introduce rischi significativi di disinformazione e fabbricazione di contenuti.

I meccanismi forensi esistenti affrontano una limitazione critica in questo dominio:

• Statico vs. Dinamico: La forense proattiva tradizionale incorpora firme nelle immagini statiche per localizzare le manomissioni. Tuttavia, la generazione I2V comporta un'evoluzione visiva progressiva in cui i pixel si muovono, si deformano, scompaiono o vengono semanticamente risintetizzati nel tempo.
• Deriva Temporale: Nell'I2V, le tracce forensi incorporate subiscono una deriva, si deformano o vengono oscurate man mano che i fotogrammi avanzano. Le tecniche forensi spaziali statiche, che presuppongono un allineamento fisso dei pixel, diventano inaffidabili.
• La Sfida Principale: Il compito forense si sposta dall'identificare dove è avvenuta la manipolazione in un singolo fotogramma al tracciare come le prove protette fluiscono e si trasformano nel tempo. Inoltre, i difensori hanno tipicamente accesso solo ai fotogrammi video rilasciati dall'attaccante; l'immagine sorgente originale non è disponibile per la stima standard del moto sorgente-obiettivo.

Il documento identifica la tracciabilità temporale proattiva come un nuovo requisito forense inesplorato: la capacità di recuperare l'immagine sorgente originale e tracciare le prove attraverso il moto e i cambiamenti semantici senza accesso alla sorgente originale durante la fase di analisi forense.

2. Metodologia: Flusso della Verità (FoT)

Gli autori propongono il Flusso della Verità (FoT), un framework proattivo che riformula la generazione I2V da una prospettiva del moto dei pixel piuttosto che dalla semplice sintesi di fotogrammi. L'ipotesi di base è che, se un segnale forense è progettato per "seguire" e "tradurre" la dinamica sottostante dei pixel, può rimanere sincronizzato con i fotogrammi target in evoluzione.

Il framework opera attraverso una pipeline a quattro stadi:

A. Riformulazione del Compito

Il problema è definito come l'apprendimento di una mappatura $\Phi: I_t \to \hat{I}_{t \to 0}$, dove $I_t$ è un fotogramma osservato e $\hat{I}_{t \to 0}$ è l'immagine sorgente recuperata. La sorgente finale viene ricostruita aggregando previsioni multi-fotogramma. Ciò viene riformulato come l'apprendimento di un campo di spostamento denso (flusso ottico) dalla sorgente al target, permettendo un warping inverso per recuperare la sorgente.

B. Incorporamento del Modello

Invece di utilizzare modelli fissi (sufficienti per la localizzazione statica ma insufficienti per il tracciamento del moto), FoT impiega un modello forense apprendibile ($T$).

• Un codificatore $E$ incorpora $T$ nell'immagine sorgente $I_0$ per creare $I^T_0$.
• L'incorporamento è ottimizzato per essere visivamente impercettibile (minimizzando la distorsione dei pixel e LPIPS) mentre alloca energia a regioni visivamente stabili, probabili di mantenere la coerenza temporale durante la sintesi.

C. Simulazione I2V Differenziabile

Per evitare le proibizioni computazionali e i bias derivanti dall'addestramento diretto su specifici modelli I2V closed-source, FoT utilizza un meccanismo di simulazione differenziabile:

1. Compressione/Ricostruzione: Un Variational Autoencoder (VAE) congelato simula le dinamiche di compressione e ricostruzione dei modelli I2V.
2. Dispersione del Moto: Un campo di moto $M_i$ viene campionato casualmente da un archivio di dataset di flusso ottico (FlyingChairs, Sintel, Spring, ecc.) per disperdere i pixel dell'immagine ricostruita.
   Questa configurazione fornisce etichette di moto ground-truth esplicite per l'addestramento senza richiedere video I2V reali, garantendo che il metodo si generalizzi attraverso i generatori.

D. Acquisizione del Moto e Modellazione dell'Incertezza

Un modulo di previsione del flusso guidato dal modello stima il campo di spostamento denso tra la sorgente incorporata e il fotogramma simulato.

• Previsione dell'Incertezza: Riconoscendo che alcune regioni (ad es. aree occluse o contenuti semanticamente risintetizzati) sono intrinsecamente non osservabili, il modello predice una mappa di confidenza insieme al flusso.
• Funzione di Perdita: Viene utilizzata una perdita Mixture-of-Laplace per modellare sia il moto deterministico che i casi incerti (occlusione, nuovo contenuto), permettendo al sistema di ridurre il peso dei vettori di flusso inaffidabili durante la ricostruzione.

E. Inversione del Flusso (Inferenza)

Durante l'inferenza, FoT decodifica le prove del modello sopravvissute dai fotogrammi video dell'attaccante.

1. Predice il campo di moto dalla sorgente al fotogramma corrente.
2. Esegue un warping inverso del fotogramma verso il sistema di coordinate della sorgente.
3. Fonde le ricostruzioni multi-fotogramma utilizzando le mappe di confidenza predette come maschere morbide per generare l'immagine sorgente recuperata finale.

3. Contributi Chiave

1. Identificazione del Problema: Il documento definisce la tracciabilità temporale proattiva come un nuovo requisito forense critico per l'I2V, dove le prove devono essere tracciate attraverso il moto e la deriva semantica.
2. Progettazione del Framework: FoT è il primo framework proattivo per il recupero della sorgente nell'I2V. Modella in modo unico la generazione video come moto a livello di pixel, apprendendo un modello forense che co-evolve con le traiettorie dei pixel.
3. Generalizzazione: Il metodo è addestrato su una simulazione differenziabile di moto e compressione, permettendogli di generalizzare attraverso modelli I2V commerciali (Kling, Dreamina) e open-source (CogVideoX, Wan2.2) senza accesso diretto ai loro pesi.
4. Capacità Ausiliarie: Gli autori dimostrano che FoT agisce come un modulo plug-in generale che:
   • Migliora la robustezza dei filigrane di copyright contro distorsioni geometriche e trasformazioni I2V.
   • Migliora la localizzazione delle manomissioni sfruttando caratteristiche basate sul moto per rilevare incoerenze nei contenuti.

4. Risultati Sperimentali

Gli autori hanno valutato FoT su un benchmark personalizzato composto da 204 coppie sorgente-prompt attraverso cinque scenari di moto (Volto, Telecamera, Animale, Ambiente-Umano, Multi-Umano) e quattro modelli I2V.

• Recupero della Verità: FoT supera significativamente i fotogrammi "Falsificati" non elaborati nel recupero dell'immagine sorgente originale.
  • A Livello di Fotogramma: FoT ha migliorato il PSNR da ~20.4 a ~23.0 e l'SSIM da ~0.64 a ~0.76 in media attraverso le scale di moto.
  • A Livello di Video: Anche quando il 90% dei fotogrammi iniziali è stato scartato (un attacco severo), FoT ha mantenuto un chiaro vantaggio prestazionale rispetto alle prove grezze falsificate, dimostrando resilienza alla perdita di dati temporali.
• Accuratezza dell'Acquisizione del Moto:
  • Le prestazioni variavano in base al modello e allo scenario. CogVideoX ha prodotto i risultati più stabili (AEE ~6.88), mentre Dreamina S2.0 ha presentato le sfide più elevate (AEE ~30.6).
  • Analisi degli Scenari: Il moto "Telecamera" (globale, coerente) è stato più facile da catturare rispetto agli scenari "Ambiente-Umano" o "Multi-Umano", che coinvolgono interazioni complesse e non rigide.
  • Analisi della Scala: Grandi magnitudini di moto (>40px) hanno causato costantemente errori più elevati, rispecchiando le sfide nel flusso ottico tradizionale, ma FoT è rimasto efficace per grandi moti strutturati (ad es. zoom della telecamera).
• Compiti Ausiliari:
  • Filigranatura: FoT ha migliorato l'accuratezza dei bit per attacchi geometrici e I2V quando utilizzato come strato di recupero post-incorporamento per RoSteALS.
  • Localizzazione delle Manomissioni: Il framework ha raggiunto punteggi Dice elevati (>0.95 su input puliti) nella localizzazione delle regioni modificate, validando che le caratteristiche basate sul moto si generalizzano al rilevamento delle manomissioni.

5. Significato e Affermazioni

Il documento posiziona FoT come un passo fondamentale verso la forense temporale proattiva.

• Cambiamento di Paradigma: Sposta l'analisi forense dalla localizzazione spaziale statica al tracciamento temporale dinamico, affrontando la natura specifica del video generativo in cui i contenuti evolvono nel tempo.
• Utilità Pratica: Recuperando la "verità" (l'immagine sorgente) dai video manipolati, FoT fornisce un meccanismo per verificare l'autenticità anche quando la sorgente originale è persa o nascosta dall'attaccante.
• Limitazioni e Lavori Futuri: Gli autori riconoscono modestamente che FoT fatica con la risintesi semantica (dove il generatore crea contenuti completamente nuovi non presenti nella sorgente) e moti altamente non rigidi ed eterogenei (ad es. interazioni umane complesse). Suggeriscono che i lavori futuri dovrebbero concentrarsi su priors generativi di alto livello e ragionamento consapevole delle regioni per gestire queste "modalità di fallimento".

Il lavoro conclude che, sebbene il tracciamento dei pixel attraverso grandi spostamenti non rigidi rimanga una sfida, FoT stabilisce un percorso praticabile per tracciare prove protette attraverso l'evoluzione temporale dei video generati dall'IA.