技術概要：真実の流れ（Flow of Truth, FoT）

1. 問題定義

画像から動画への生成（Image-to-Video, I2V）モデル（AnimateDiff、Wan2.2、Sora、Kling など）の急速な発展により、単一の画像から極めてリアルで時間的に一貫性のある動画の作成が可能となった。この技術はクリエイティブな制作に有益である一方、誤情報やコンテンツの捏造という重大なリスクをもたらす。

既存の鑑識メカニズムはこの領域において決定的な限界に直面している：

• 静的対動的: 従来の能動的鑑識は、改ざんの局所化のために静的画像にシグネチャを埋め込む。しかし、I2V 生成は時間経過とともにピクセルが移動し、変形し、消滅し、あるいは意味的に再合成される進化的な視覚プロセスを含む。
• 時間的ドリフト: I2V において、埋め込まれた鑑識痕跡はフレームが進むにつれてドリフトし、変形し、あるいは遮蔽される。固定されたピクセルアライメントを前提とする静的空間鑑識は、信頼性を失う。
• 核心的な課題: 鑑識タスクは、単一フレーム内で改ざんが「どこ」で発生したかを特定することから、時間を通じて保護された証拠が「どのように」流れ、変換されるかを追跡することへと移行する。さらに、防衛側は通常、攻撃者が公開した動画フレームにしかアクセスできず、標準的なソース対ターゲットの運動推定に用いる元のソース画像は利用できない。

本論文は、元のソース画像にアクセスできない鑑識分析フェーズにおいても、元のソース画像を復元し、運動や意味的変化を通じて証拠を追跡する能力である「能動的な時間的追跡可能性（proactive temporal traceability）」を、未踏の新たな鑑識要件として特定している。

2. 手法：真実の流れ（Flow of Truth, FoT）

著者らは、単純なフレーム合成ではなく「ピクセル運動の観点」から I2V 生成を再定義する能動的フレームワーク「Flow of Truth（FoT）」を提案する。核心的な仮説は、鑑識信号が基礎となるピクセルダイナミクスに「追随」し「変換」するように設計されれば、進化するターゲットフレームと同期し続けることができるというものである。

本フレームワークは 4 段階のパイプラインで動作する：

A. タスクの再定式化

問題は、観測されたフレーム $I_t$ から復元されたソース画像 $\hat{I}_{t \to 0}$ へのマッピング $\Phi: I_t \to \hat{I}_{t \to 0}$ を学習することとして定義される。最終的なソースは、複数フレームの予測を集約することで再構成される。これは、ソースからターゲットへの密な変位場（オプティカルフロー）を学習し、ソースを復元するために後方ワープを可能にするように再定式化される。

B. テンプレート埋め込み

固定テンプレート（静的局所化には十分だが、運動追跡には不十分）を使用する代わりに、FoT は「学習可能な鑑識テンプレート（$T$）」を採用する。

• エンコーダ $E$ が $T$ をソース画像 $I_0$ に埋め込み、$I^T_0$ を作成する。
• この埋め込みは、ピクセル歪みと LPIPS を最小化して視覚的に知覚不可能であると同時に、合成中に時間的一貫性を維持する可能性が高い視覚的に安定した領域にエネルギーを割り当てるように最適化される。

C. 微分可能な I2V シミュレーション

特定のクローズドソース I2V モデル上で直接学習することに伴う計算上の非現実性とバイアスを回避するため、FoT は微分可能なシミュレーションメカニズムを使用する：

1. 圧縮/再構成: フロートされた変分オートエンコーダ（VAE）が、I2V モデルの圧縮および再構成ダイナミクスをシミュレートする。
2. 運動散乱: 光学フローデータセット（FlyingChairs、Sintel、Spring など）のバンクからランダムにサンプリングされた運動場 $M_i$ が、再構成された画像のピクセルを散乱させる。
   この設定は、実際の I2V 動画を必要とせずにトレーニング用の明示的なグランドトラスの運動ラベルを提供し、生成器全体にわたって手法が汎化することを保証する。

D. 運動捕捉と不確実性モデリング

テンプレートガイドのフロー予測モジュールが、埋め込まれたソースとシミュレートされたフレーム間の密な変位場を推定する。

• 不確実性予測: 遮蔽領域や意味的に再合成されたコンテンツなど、一部の領域は本質的に観測不可能であることを認識し、モデルはフローに加えて信頼度マップを予測する。
• 損失関数: 決定論的運動と不確実なケース（遮蔽、新規コンテンツ）の両方をモデル化するために、ラプラス分布の混合（Mixture-of-Laplace）損失が使用され、再構成中に信頼性の低いフローベクトルの重みを下げることを可能にする。

E. フロー逆転（推論）

推論中、FoT は攻撃者の動画フレームから生存したテンプレート証拠を復号化する。

1. ソースから現在のフレームへの運動場を予測する。
2. フレームをソース座標系に後方ワープする。
3. 予測された信頼度マップをソフトマスクとして使用して複数フレームの再構成を融合し、最終的な復元ソース画像を生成する。

3. 主要な貢献

1. 問題の特定: 本論文は、証拠が運動と意味的ドリフトを通じて追跡されなければならないという、I2V に対する重要な新たな鑑識要件として「能動的な時間的追跡可能性」を定義する。
2. フレームワーク設計: FoT は、I2V におけるソース復元の最初の能動的フレームワークである。これは、動画生成をピクセル単位の運動としてモデル化し、ピクセル軌跡と共進化する鑑識テンプレートを学習するという点でユニークである。
3. 汎化性: この手法は、運動と圧縮の微分可能なシミュレーション上で学習されており、重みに直接アクセスすることなく、商用（Kling、Dreamina）およびオープンソース（CogVideoX、Wan2.2）の I2V モデルの両方にわたって汎化する。
4. 補助機能: 著者らは、FoT が一般的なプラグインモジュールとして機能することを示している：
   • 幾何学的歪みおよび I2V 変換に対する著作権透かしの堅牢性を向上させる。
   • 運動ベースの特徴を活用してコンテンツの不一致を検出することで、改ざん局所化を改善する。

4. 実験結果

著者らは、5 つの運動シナリオ（顔、カメラ、動物、人間 - 環境、複数人間）および 4 つの I2V モデルにわたる 204 組のソース - プロンプトペアで構成されるカスタムベンチマーク上で FoT を評価した。

• 真実の復元: FoT は、元のソース画像を復元する際、処理されていない「偽造」フレームを大幅に上回る性能を示した。
  • フレームレベル: 運動スケール全体で平均して、PSNR が約 20.4 から約 23.0 に、SSIM が約 0.64 から約 0.76 に向上した。
  • 動画レベル: 初期フレームの 90% が破棄された場合（深刻な攻撃）でも、FoT は生の偽造証拠に対して明確な性能優位性を維持し、時間的データ損失に対する耐性を示した。
• 運動捕捉精度:
  • 性能はモデルとシナリオによって変動した。CogVideoX は最も安定した結果（AEE 約 6.88）をもたらしたが、Dreamina S2.0 は最も高い課題（AEE 約 30.6）を提示した。
  • シナリオ分析: 「カメラ」運動（全球的、一貫性がある）は、「人間 - 環境」や「複数人間」のような複雑で非剛性の相互作用を伴うシナリオよりも捕捉が容易であった。
  • スケール分析: 大きな運動量（>40px）は、従来のオプティカルフローにおける課題を反映して一貫して高い誤差を引き起こしたが、FoT は構造化された大きな運動（例：カメラのズーム）に対しては有効であった。
• 補助タスク:
  • 透かし: FoT は、RoSteALS に対するポスト埋め込み復元層として使用された場合、幾何学的および I2V 攻撃に対するビット精度を向上させた。
  • 改ざん局所化: このフレームワークは、編集された領域の局所化において高い Dice スコア（クリーン入力において 0.95 超）を達成し、運動ベースの特徴が改ざん検出に汎化することを検証した。

5. 意義と主張

本論文は、FoT を「能動的な時間的鑑識」への基礎的なステップとして位置づけている。

• パラダイムの転換: 静的な空間的局所化から、時間的経過とともにコンテンツが進化する生成動画の固有の性質に対処する動的な時間的追跡へと、鑑識分析を移行させる。
• 実用性: 改ざんされた動画から「真実（ソース画像）」を復元することにより、元のソースが失われているか、攻撃者によって隠されている場合でも、真正性を検証するメカニズムを提供する。
• 限界と将来の課題: 著者らは控えめに、FoT は「意味的再合成」（生成器がソースに存在しない完全に新しいコンテンツを作成する場合）や、高度に非剛性で不均質な運動（例：複雑な人間同士の相互作用）に対して困難を抱えていることを認めている。将来の研究は、これらの「失敗モード」に対処するために、高レベルの生成事前知識と領域認識推論に焦点を当てるべきであると示唆している。

この研究は、大きな非剛性変位を通じてピクセルを追跡することは依然として課題であるが、FoT が AI 生成動画の時間的進化を通じて保護された証拠を追跡する実現可能な道筋を確立したと結論づけている。