Riepilogo Tecnico: Rilevare Presto, Escalare Raramente: Rilevamento in Qualsiasi Momento di Video Generati da IA dal Bitstream Compresso

1. Definizione del Probleamento

Gli attuali rilevatori di video generati da IA (AIGV) sono progettati principalmente per la valutazione offline, dove un intero clip video viene decodificato in pixel e valutato una sola volta, spesso utilizzando modelli Vision-Language (VLM) pesanti o grandi reti neurali. Tuttavia, l'implementazione nel mondo reale è online (streaming), dove il video arriva sequenzialmente in blocchi compressi. Questo scenario impone budget di latenza rigorosi e vincoli computazionali che rendono impraticabile l'esecuzione di modelli da miliardi di parametri su ogni frame in arrivo. Inoltre, i metodi esistenti di percezione streaming si concentrano sul rilevamento di oggetti o sul riconoscimento di azioni, non sulla generazione di video sintetici, e i rilevatori di deepfake in tempo reale tipicamente si affidano a immagini facciali decodificate piuttosto che al bitstream compresso stesso.

La sfida centrale è rilevare AIGV in modalità streaming direttamente dal bitstream compresso con validità anytime (prendere decisioni in qualsiasi punto dello stream con tassi di errore controllati) e adattività computazionale (escalare solo i clip incerti verso modelli più costosi).

2. Metodologia

L'approccio proposto, StreamDet, inquadra il rilevamento di AIGV come un problema di percezione streaming che opera direttamente sul campo di movimento del codec.

2.1 Il Protocollo di Streaming

• Input: Il video arriva come una sequenza ordinata di Gruppi di Immagini (GOP), denotati come $g_1, g_2, \dots, g_N$.
• Estrazione delle Caratteristiche (Fase 1): Invece di decodificare i frame in pixel, il sistema analizza il campo dei vettori di movimento (MV) quantizzato già scritto nel bitstream dal codec. Per ogni GOP, estrae un vettore di caratteristiche a dimensione fissa di 13 dimensioni $\phi_t$ (4 statistiche di movimento globale e 9 dimensioni spettrali).
• Scoring: Uno scorer leggero basato su CPU $f_R$ mappa queste caratteristiche in un punteggio $s_t$, dove un punteggio più alto indica "generato". Questo processo richiede circa $10^5$ operazioni di moltiplicazione-accumulo (MAC) per GOP, cinque ordini di grandezza meno di una CNN nel dominio dei pixel.
• Aggregazione: Il sistema mantiene un aggregato di massimo corrente $M_t = \max_{i \le t} s_i$. Questa aggregazione monotona permette al rilevatore di agire non appena il punteggio supera una soglia.

2.2 Il Meccanismo Decisionale (Cascata con Differimento)

Il sistema impiega una cascata a due stadi con un "frontiera computazionale a prezzo fissato":

1. Fase 1 (Sempre attiva): Una singola soglia end-calibrated $\tau$ viene applicata al massimo corrente $M_t$.
   • Se $M_t \ge \tau$, il clip è classificato immediatamente come generato (uscita anticipata).
   • Se lo stream termina o viene raggiunto un budget di latenza senza superare $\tau$, il sistema controlla la prossimità alla soglia.
2. Banda di Differimento: Una larghezza $w$ definisce una banda di incertezza $W = [\tau - w, \tau)$.
   • Se $M_t < \tau - w$, il clip è classificato come reale.
   • Se $M_t \in W$, il clip viene differito alla Fase 2.
3. Fase 2 (On-demand): I clip differiti vengono scalati verso un rilevatore costoso (ad esempio, una CNN di pixel o un VLM) applicato al prefisso osservato. La decisione finale è il verdetto della Fase 2 per i clip differiti e della Fase 1 per tutti gli altri.

2.3 Garanzie Teoriche

Il documento stabilisce due proprietà teoriche chiave:

• Controllo del Falso Positivo Anytime-Valid: Poiché l'aggregato $M_t$ è monotono, una singola soglia $\tau$ calibrata sul prefisso finale di clip reali controlla il tasso di falsi positivi (FPR) al tempo di arresto dipendente dai dati (il momento in cui il gate scatta). Ciò evita il problema dell' "optional stopping" dove la ricalibrazione per ogni prefisso gonfierebbe il tasso di errore.
• Frontiera Computazione-Accuratezza: Il costo computazionale atteso ha una forma chiusa: $\mathbb{E}[C] = \bar{t}C_1 + \text{Pr}(s \in W)C_2$. L'accuratezza della cascata è monotona rispetto al budget computazionale se e solo se la condizione di differimento è soddisfatta (ovvero, la Fase 2 è più accurata della Fase 1 specificamente sul set differito).

3. Contributi Chiave

1. Framework di Rilevamento AIGV in Streaming: Gli autori hanno riclassificato il rilevamento come percezione streaming, definendo metriche come l'anytime AUC (ROC-AUC sui prefissi osservati) e l'AUC streaming con budget di latenza.
2. Front-end Anytime nel Dominio Compresso: Uno stadio basato solo su CPU che valuta il campo di movimento del codec senza decodifica dei pixel. Fornisce un aggregato di punteggio monotono che consente uscite anticipate con una singola soglia calibrata alla fine, garantendo il controllo dell'FPR al tempo di arresto.
3. Frontiera Computazionale a Prezzo Fissato: Un meccanismo a cascata che scala solo i clip incerti. Il documento deriva la frontiera computazione-accuratezza, mostrando che l'accuratezza migliora con il budget solo quando l'escalation viene applicata ai clip in cui il modello economico è effettivamente incerto (la "condizione di differimento").

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su GenVidBench (una cella corrispondente di circa 27k clip) e AIGVDBench.

• Efficienza vs Accuratezza (Fase 1): Lo stadio del codec da solo raggiunge un'AUC di 0.64 alla lunghezza completa e 0.80 al primo GOP (sAUC(1)), utilizzando $10^5$ MAC per GOP. Questo è cinque ordini di grandezza meno computazione rispetto a una CNN di pixel ($1.8 \times 10^{10}$ MAC) pur rimanendo informativo fin dal primo chunk.
• Performance della Cascata: Differire il 15% dei clip a una CNN di pixel aumenta l'accuratezza decisionale da 0.75 (solo codec) a 0.78. Ciò ottiene un'accuratezza superiore rispetto alla valutazione di ogni clip con la CNN di pixel (0.76) utilizzando 7$\times$ meno computazione.
• Escalation VLM: Scalando a un piccolo VLM (Ivy-xDetector) su un sottocampione, la cascata raggiunge un'accuratezza di 0.79 con un differimento del 55%, superando significativamente la CNN di pixel (0.68) sullo stesso set differito. Tuttavia, il VLM da solo è computazionalmente proibitivo ($\sim 10^{13}$ MAC/clip) e inaffidabile su generatori "difficili".
• Garanzie: La soglia end-calibrated ha mantenuto con successo l'FPR al tempo di arresto a 0.039 (target $\alpha=0.05$). Al contrario, la ricalibrazione ingenua per prefisso ha causato una deriva significativa dell'FPR sotto cambiamenti di distribuzione.
• Ablazioni:
  • Bias del Movimento: Il segnale sopravvive al matching sull'ampiezza del movimento, suggerendo che non si tratti semplicemente di un artefatto "i video generati si muovono meno".
  • Aggregatore: Il massimo corrente è l'unico aggregatore monotono, necessario per le garanzie teoriche, sebbene il mean-pooling fornisca un'accuratezza offline superiore.
  • Cross-Dataset: Il metodo si replica su AIGVDBench, sebbene il controllo dell'FPR derivi leggermente (0.068) quando la distribuzione di test differisce dal set di calibrazione.

5. Significato e Affermazioni

Il documento afferma che il rilevamento di AIGV dovrebbe essere trattato come un problema di streaming piuttosto che come un compito batch offline. La sua importanza risiede nel:

• Riformulazione: Spostare il rilevamento dal dominio dei pixel al bitstream compresso, sfruttando i segnali che il codec ha già calcolato.
• Garanzie: Fornire un inferenza anytime-valid dove il tasso di falsi positivi è controllato nel momento esatto in cui viene presa una decisione, indipendentemente da quando tale momento avviene.
• Efficienza: Dimostrare che un "economico" parsing del codec può servire come un front-end robusto, riservando la computazione costosa (GPU/VLM) solo per i casi più difficili. Ciò crea una frontiera computazione-accuratezza monotona dove l'accuratezza scala con il budget solo quando la logica di escalation è corretta.

Gli autori dichiarano esplicitamente di non proporre una nuova architettura di rilevatore, ma piuttosto un protocollo e una riformulazione che consente un rilevamento efficiente e garantito. Riconoscono i limiti, tra cui la dipendenza dall'accesso al bitstream, la necessità di calibrazione su dati reali tenuti fuori dal set e il potenziale per scorciatoie di bias del movimento in generatori specifici.