G2VD: Generalizable AI-Generated Video Detection via Counterfactual Intervention and Causal Disentanglement

Sintesi Tecnica: G2VD

Problematica

I rapidi progressi nella generazione di video tramite IA (ad esempio, Sora, Stable Video Diffusion, HunyuanVideo) hanno creato significativi rischi di sicurezza, inclusi la disinformazione e le frodi d'identità. Sebbene i rilevatori esistenti ottengano buone prestazioni su dati in-domain, soffrono di un sostanziale degrado delle prestazioni quando applicati a generatori non visti. Il documento identifica l'apprendimento per scorciatoie (shortcut learning) come la causa primaria: i rilevatori si affidano a bias specifici del dominio (come impronte digitali del generatore, pattern di compressione o stili di generazione) piuttosto che a indizi forensi intrinseci. Questo intreccio crea confini decisionali che falliscono nel generalizzare quando si verificano spostamenti di distribuzione a livello di generatore. Le soluzioni attuali, inclusi l'aumento orientato alla forense e i modelli linguistici multimodali di grandi dimensioni (MLLM), spesso non riescono a superare costantemente i rilevatori specializzati sotto tali spostamenti o producono spiegazioni inaffidabili.

Metodologia

Gli autori propongono G2VD (Generalizable AI-Generated Video Detection), un framework basato sui Modelli Causali Strutturali (SCM) che tratta gli indizi forensi intrinseci come fattori causali ($S$) e il bias specifico del dominio come fattori non causali ($U$). Il framework è composto da due componenti primarie:

1. Pipeline di Intervento Controfattuale (CFIPipeline)

Per indebolire la correlazione spuria tra il bias specifico del dominio e le etichette di autenticità, G2VD costruisce campioni controfattuali. Idealmente, un campione controfattuale $X^*_{cf}$ accoppierebbe il fattore causale di un video falso ($S_f$) con il fattore non causale di un video reale ($U_r$). Poiché $S$ e $U$ sono latenti ed intrecciati, G2VD approssima questo processo attraverso una procedura in tre fasi:

• Ricostruzione basata su VAE: I video reali vengono ricostruiti utilizzando un pool diversificato di Autoencoder Variazionali (VAE) per introdurre tracce indotte dalla ricostruzione associate agli indizi forensi intrinseci.
• Allineamento nel Dominio della Frequenza: Per preservare le caratteristiche del dominio ($U_r$) mantenendo al contempo le tracce di ricostruzione, la pipeline allinea le ampiezze delle alte frequenze del video reale originale con la fase e i restanti componenti spettrali del video ricostruito. Ciò mitiga l'attenuazione delle alte frequenze causata dalla codifica video con perdita (lossy).
• Allineamento nel Dominio dei Pixel: Viene applicata l'interpolazione per ridurre le discrepanze residue di colore o contrasto, ottenendo il campione controfattuale finale $X_{cf}$.

2. Classificatore di Disentanglement Causale

Costruito sulla base dell'intervento controfattuale, il classificatore impara a separare le rappresentazioni causali da quelle non causali utilizzando due rami ancorati al dominio e un vincolo di indipendenza:

• Ramo Causale: Addestrato per classificare i video reali come negativi e sia i video falsi originali che i campioni controfattuali (che condividono il fattole causale falso $S_f$) come positivi. Ciò incoraggia il ramo a catturare gli indizi forensi intrinseci ($S$) indipendentemente dal bias del dominio.
• Ramo Non Causale: Addestrato con una regola di etichettatura complementare in cui i campioni controfattuali sono etichettati come reali (condividendo $U_r$ con i video reali originali). Ciò incoraggia il ramo a catturare il bias specifico del dominio ($U$).
• Vincolo di Indipendenza: I due rami sono regolarizzati utilizzando il Criterio di Indipendenza di Hilbert-Schmidt (HSIC) per minimizzare la dipendenza statistica tra le rappresentazioni causali ($F_c$) e non causali ($F_{nc}$), garantendo che catturino fattori distinti.

Durante l'inferenza, la CFIPipeline e il ramo non causale vengono scartati; la predizione si basa esclusivamente sul backbone e sul ramo causale.

Contributi Chiave

1. Formulazione Causale: Il documento riformula il rilevamento di video generati da IA identificando l'intreccio tra indizi forensi intrinseci e bias specifici del dominio come la radice del fallimento della generalizzazione cross-domain.
2. Framework G2VD: Introduce un nuovo framework che integra l'intervento controfattuale basato sulla ricostruzione con il disentanglement causale ancorato al dominio per mitigare l'apprendimento per scorciatoie.
3. Validazione Empirica: Esperimenti estesi su quattro dataset pubblici dimostrano che G2VD raggiunge una forte prestazione cross-domain utilizzando solo il 10% dei dati di addestramento disponibili, validando l'efficacia sia della pipeline di intervento che del classificatore di disentanglement.

Risultati Sperimentali

Il framework è stato valutato su quattro dataset: GenVidBench, GenVideo, GVD e GVF.

• GenVidBench: Nell'ambiente impegnativo di GenVidBench, G2VD-CLIP ha raggiunto un'accuratezza complessiva (ACC) del 91,9%, con un punteggio F1 di 0,950 e un AUC di 0,949. Ciò rappresenta un miglioramento di 25,0 punti percentuali rispetto al miglior baseline (CLIP) e guadagni significativi rispetto ad altri metodi allo stato dell'arte, in particolare su fonti difficili come MuseV e SVD.
• Altri Dataset: Le varianti di G2VD hanno superato costantemente i metodi baseline su GenVideo, GVD e GVF, con miglioramenti compresi tra 1,8 e 4,7 punti percentuali rispetto ai backbone corrispondenti.
• Studi di Ablazione: Rimuovendo sia la CFIPipeline che il classificatore di disentanglement causale, si è verificato un drastico calo delle prestazioni (ad esempio, scendendo a circa il 61–66% di ACC su GenVidBench), confermando che i componenti di intervento e disentanglement sono critici per la generalizzazione.
• Robustezza: Il modello ha dimostrato robustezza contro la sfocatura Gaussiana (Gaussian blur), ma ha mostrato sensibilità alla compressione JPEG aggressiva, suggerendo che la compressione rimuova le evidenze forensi utilizzate dal rilevatore.

Significato e Rivendicazioni

Il documento afferma che G2VD fornisce una base pratica per la videosorveglianza forense cross-domain guidando i rilevatori lontano dalle scorciatoie specifiche del generatore e verso gli indizi forensi intrinseci. Gli autori asseriscono che il loro approccio separa efficacementamente i fattori causali dai bias non causali, consentendo un rilevamento affidabile anche in presenza di spostamenti di distribuzione a livello di generatore con dati di addestramento limitati. Il lavoro evidenzia che, mentre i metodi basati su MLLM offrono spiegabilità, i rilevatori visivi specializzati con meccanismi di disentanglement causale offrono attualmente una maggiore affidabilità e generalizzazione in questo dominio. Il lavoro futuro si concentrerà sul miglioramento della robustezza del modello e della calibrazione per l'implementazione nel mondo reale.