技術概要：VINA - 統合 AIGC 検出のための自然な拡張としての動画

1. 問題定義

AI 生成コンテンツ（AIGC）の急速な進展は、多様なデータソース、展開パイプライン、および視覚モダリティにわたって汎化する検出器への緊急の必要性を生み出しました。最先端の AI 生成画像（AIGI）検出器は画像ベンチマークにおいて競争力のある性能を発揮しますが、本論文は以下の決定的かつ一貫した失敗モードを特定しています：AI 生成動画（AIGV）から抽出されたフレームに適用された場合、これらの検出器は機能不全に陥る。

著者らは、AIGI と AIGV の検出を別々のタスクとして扱うことが、根本的なクロスモダリティ汎化のギャップを残していると主張します。このギャップは、主に以下の 2 つの要因から生じます：

1. 合成非依存の動画処理シフト：現実世界の動画フレームは、標準的な画像データセットには存在しない複雑で絡み合った劣化を経験します。これには、コーデック圧縮（例：H.264）、モーションブラー、リサイズ、および限られた範囲の色変換（例：テレビ輝度範囲）が含まれます。これらのシフトは、画像検出器がしばしばショートカットとして依存する高周波のマイクロアーティファクトを抑制します。
2. モデル固有の指紋：最新の動画生成器は、画像生成器の空間的アーティファクトとは著しく異なる、独自の時間的アーティファクトおよび運動関連の指紋を導入します。

その結果、画像のみで訓練された検出器は、動画フレームに固有の統計的分布および劣化パターンを認識できず、動画ベンチマークにおいてランダムな推測に近い性能低下を招きます。

2. 手法：VINA

このギャップに対処するため、著者らは画像と動画の両方のデータで共同訓練を行い、堅牢なクロスモダリティ検出を達成する統合フレームワーク**VINA（VIdeo as Natural Augmentation：自然な拡張としての動画）**を提案します。

中核哲学

VINA は、動画フレームを単なる別タスクとしてではなく、画像データに対する物理的に裏付けられた自然な拡張として扱います。動画フレームは、手作業による 2D 拡張（例：ガウスブラーや JPEG 再圧縮）ではシミュレートが困難な、現実的かつ複雑な劣化（圧縮、ブラー、色シフト）を検出器に露出させます。

技術的構成要素

1. 共同訓練パラダイム：本フレームワークは、静的画像（$D_{img}$）と動画フレーム（$D_{vid}$）の混合バッチ上で単一の検出器を訓練します。動画フレームは、動画パイプライン（コーデック、モーションブラー、リサイズ）を表す複雑な非微分可能な劣化関数 $T(\cdot)$ にさらされた完全な視覚信号としてモデル化されます。
2. クロスモダリティ教師あり対照（CM-SupCon）損失：特徴空間がモダリティごとに分離されたまま（画像と動画の特徴が、同じ真偽ラベルを共有していても別々にクラスタリングする）になるのを防ぐため、VINA は明示的な正則化項を導入します。
   • メカニズム：あるアンカーサンプルに対して、正のセットには、同じ真のラベル（実または偽）を共有するクロスモダリティサンプルのみ（例：画像とペアリングされた動画フレーム）が含まれます。
   • 目的：これにより、実画像の特徴を実動画の特徴へ、偽画像の特徴を偽動画の特徴へ引き寄せつつ、実クラスと偽クラスの間の分離を維持します。これにより、モデルは、クリーンな画像と劣化した動画フレームの両方で識別可能な生成痕跡を学習し、モダリティ固有のショートカットへの依存を抑制します。
3. 統合目的関数：最終的な損失関数は、標準的な二値交差エントロピー（$L_{BCE}$）と CM-SupCon 項を組み合わせます：
   $$L = L_{BCE} + \lambda L_{CM-SupCon}$$

3. 主要な貢献

1. 体系的な失敗の特定：本論文は、最先端の AIGI 検出器が動画ベンチマークで体系的に失敗することを明らかにし、統合 AIGC 検出を、画像と動画を個別のタスクではなく、共同でカバーする必要がある汎化問題として定式化します。
2. VINA フレームワーク：CM-SupCon 目的関数を用いて、統合された決定境界下での表現を正則化する、動画と画像の共同訓練フレームワークの提案。これにより、ソースおよびモダリティ固有のショートカット手がかりを効果的に抑制します。
3. 包括的な評価：画像、動画、および野外（in-the-wild）データセットを含む 14 のベンチマークにわたる広範な実験により、VINA が双方向的な利益を達成し、複雑なデータセット固有のチューニングや明示的なアライメントパイプラインなしに、動画および画像タスクの両方の性能を向上させることが示されました。

4. 実験結果

著者らは、動画固有の検出器（例：DeMamba、WaveRep）、画像固有の検出器（例：NPR、Effort、Co-SPY）、およびアラインドデータセットで訓練された手法（例：DDA、B-Free）を含む広範なベースラインに対して VINA を評価しました。

• ベンチマーク性能：
  • 動画ベンチマーク：VINA は平均精度**90.4%**を達成し、画像のみで訓練された検出器（しばしば 60% 未満に低下）および競争力のある動画固有の検出器を大幅に上回りました。
  • 画像ベンチマーク：VINA は**94.1%**の平均精度を達成し、専門的な画像検出器を上回り、動画データが画像の性能を低下させないことを実証しました。
  • 野外ベンチマーク：Chameleon、SynthWildX、WildRF などの困難な現実世界データセットにおいて、VINA は**92.9%**の平均精度に達し、先行研究と比較して未知の生成器および後処理に対する優れた堅牢性を示しました。
• 堅牢性：モデルは、JPEG/HEIF 圧縮、スケーリング、クロッピングなど、さまざまな摂動に対して強い耐性を示し、訓練中に明示的な形式アライメントを必要としませんでした。
• 効率性：大規模な DINOv3 バックボーンを使用しているにもかかわらず、VINA はフレームあたり82.4G FLOPsで 256×256 解像度で動作し、比較対象の手法の中で最速の推論スループット（1K フレームあたり 15.7 秒）を達成しました。
• アブレーション研究：
  • バックボーン：CLIP、DINOv2、DINOv3 の各バックボーンで、一貫した利益が得られました。
  • データソース：Pika+ProGAN、GenVideo+SD1.4、140k+DDA などのさまざまなデータ組み合わせで性能向上が観察され、この手法が特定のデータセットに依存していないことを示しています。
  • 拡張 vs 共同訓練：合成劣化戦略（カラージッター、HEIF 圧縮）は中程度の改善をもたらしましたが、自然な拡張として実際の動画データを使用する手法には大幅に劣りました。

5. 意義と主張

本論文は、現実的な動画劣化を別個のドメインではなく、自然な拡張の一種として扱うことで、VINA が AIGC 検出のための新たなパラダイムを確立すると主張します。その意義は以下の点にあります：

• 統合検出：単一のモデルが画像と動画の両方を効果的に検出できることを実証し、現在この分野を悩ませているクロスモダリティギャップを埋めること。
• 複雑さなしの堅牢性：複雑なデータアライメント、重厚な拡張パイプライン、またはデータセット固有のハイパーパラメータチューニングに依存することなく、最先端の性能を達成すること。
• 汎化：見えない生成器や野外シナリオにわたって汎化する解決策を提供し、多様な現実世界の展開環境で信頼性高く機能する検出器への重要なニーズに対応すること。

著者らは、現在の検出器は単一フレームで動作し、時間的関係を明示的にモデル化していないものの、共同訓練の哲学は、より堅牢で普遍的な検出フレームワークを構築するために動画データの物理的特性を効果的に活用していると結論付けています。