Preserving Forgery Artifacts: AI-Generated Video Detection at Native Scale

Título: Preservando Artefatos de Falsificação: Detecção de Vídeo Gerado por IA em Escala Nativa

1. O Problema

O avanço rápido dos modelos de geração de vídeo (como Sora, Runway, Pika, Kling e outros baseados em Diffusion Transformers) permitiu a criação de mídias sintéticas hiper-realistas, gerando preocupações significativas sobre desinformação. No entanto, os métodos atuais de detecção enfrentam limitações críticas:

• Pré-processamento Destrutivo: A maioria dos detectores existentes depende de operações de pré-processamento como redimensionamento fixo (ex: 224x224) e cropping (recorte). Essas operações:
  • Eliminam artefatos sutis de alta frequência e inconsistências espaciotemporais cruciais para a detecção.
  • Causam distorção espacial e perda de informações semânticas globais.
  • Degradam a capacidade do modelo de generalizar para vídeos com resoluções e proporções diferentes das usadas no treinamento.
• Dados Desatualizados: Os conjuntos de dados existentes são frequentemente compostos por vídeos gerados por modelos mais antigos, de baixa resolução e curta duração, não capturando a sofisticação dos modelos generativos modernos.
• Falta de Robustez: Detectores treinados em resoluções específicas falham drasticamente quando avaliados em resoluções diferentes (mismatch de resolução) ou em geradores de alta qualidade.

2. Metodologia

Os autores propõem uma abordagem unificada que elimina a necessidade de redimensionamento forçado, operando diretamente na resolução nativa do vídeo.

A. Curadoria de Dados (Dataset)

• Treinamento: Um conjunto de dados em larga escala com mais de 140.000 vídeos gerados por 15 modelos de ponta (abertos e comerciais), incluindo arquiteturas como Diffusion U-Net, DiT (Diffusion Transformers), MMDiT e modelos autoregressivos.
• Avaliação (Magic Videos): Um novo benchmark chamado Magic Videos, contendo vídeos sintéticos de ultra-realismo gerados por 6 geradores recentes (ex: Wan2.1, Hailuo, StepVideo) usando prompts refinados. Este conjunto é projetado para testar a detecção em cenários de alto risco e alta fidelidade.
• Realismo: Os dados de treinamento e teste são alinhados com a qualidade atual de geração de AIGC, garantindo que o detector seja exposto a artefatos modernos.

B. Framework de Detecção Nativa (Qwen2.5-ViT)

O núcleo do método é uma nova arquitetura baseada no Qwen2.5-VL Vision Transformer, adaptada para vídeo:

• Tokenização 3D em Escala Nativa: Em vez de redimensionar os quadros, o vídeo é particionado em "patches" 3D não sobrepostos (espaço-temporais) mantendo a resolução original e a proporção de aspecto (aspect ratio).
  • Tamanho do patch: $(P_t, P_h, P_w) = (2, 14, 14)$.
  • Isso preserva artefatos de textura fina e inconsistências temporais que seriam perdidos no downsampling.
• Arquitetura do Transformer: Utiliza 32 camadas com normalização prévia (RMSNorm) e ativação SwiGLU. Incorpora RoPE (Rotary Positional Embedding) 2D para codificar relações espaciais e melhorar a capacidade de extrapolação em diferentes resoluções.
• Otimização de Infraestrutura:
  • Uso de Flash Attention e empacotamento de lotes (batch packing) para lidar com sequências de comprimento variável sem preenchimento (padding), mitigando a complexidade quadrática de vídeos de alta resolução.
  • Estratégia de atenção híbrida (janelada) para escalabilidade linear.
• Ajuste Fino (Fine-Tuning): Exploram três estratégias: Ajuste Total (Full Fine-tuning), Linear Probing e Parameter-Efficient Fine-Tuning (LoRA). O ajuste total mostrou-se superior para maximizar a precisão.

3. Principais Contribuições

1. Novo Dataset de Alta Qualidade: Introdução de um conjunto de dados diversificado com 140K+ vídeos de 15 geradores para treinamento e o benchmark "Magic Videos" para avaliação rigorosa, alinhados com o estado da arte atual.
2. Framework de Resolução Nativa: Proposição de um detector baseado em Qwen2.5-ViT que processa vídeos em sua resolução e duração nativas, evitando a perda de artefatos de falsificação causada por redimensionamento.
3. Desempenho SOTA (State-of-the-Art): Demonstração de que a abordagem nativa supera significativamente métodos existentes em múltiplos benchmarks, estabelecendo uma nova linha de base robusta para detecção de vídeos gerados por IA.

4. Resultados Experimentais

Os experimentos foram realizados em vários conjuntos de dados, incluindo Magic Videos, GenVideo, DVF e DeepTraceReward.

• Desempenho Geral: O modelo Qwen2.5-ViT alcançou o melhor desempenho médio em precisão (mACC) e precisão média (mAP) em todos os benchmarks.
  • No Magic Videos, atingiu 83.20% de mACC, superando modelos como TimeSformer (68.68%) e CLIP ViT-L/14 (77.30%).
  • No GenVideo-Val, alcançou 96.13% de AP e 90.64% de F1, superando métodos especializados como DeMamba e TruthLens, mesmo sendo treinado com 15 vezes menos dados.
• Robustez a Resolução: O estudo de ablação mostrou que o uso de resolução dinâmica (até 720p) e preservação da proporção de aspecto é crucial. Métodos que usam cropping ou redimensionamento para 224p tiveram quedas drásticas de desempenho em vídeos de alta resolução.
• Correlação com Qualidade: Foi observada uma forte correlação positiva ($\rho = 0.86$) entre a qualidade do gerador (pontuação VBench) e o desempenho do detector, indicando que treinar em dados de alta qualidade é essencial para detectar geradores modernos.
• Resiliência: O modelo manteve alta precisão sob compressão moderada (JPEG, H.264) e superou baselines em cenários de redimensionamento agressivo, embora sofra com perdas espaciais extremas.

5. Significância e Conclusão

Este trabalho estabelece um novo paradigma na detecção de deepfakes e vídeos sintéticos. A principal descoberta é que o pré-processamento destrutivo (redimensionamento) é um gargalo fundamental para a detecção de vídeos gerados por IA modernos.

Ao operar na escala nativa, o método proposto preserva tanto os artefatos de baixo nível (textura, bordas) quanto as inconsistências semânticas de alto nível, permitindo uma generalização superior entre diferentes geradores e resoluções. Isso é vital para a segurança da informação, pois os modelos de geração evoluem rapidamente, e os detectores precisam ser capazes de analisar o conteúdo sem degradar as pistas forenses que o próprio processo de geração introduz.

Apesar do custo computacional mais alto em comparação com métodos de baixa resolução, a eficiência otimizada (via Flash Attention e LoRA) torna a abordagem viável, sugerindo que o futuro da detecção de AIGC deve priorizar a fidelidade dos dados de entrada em detrimento da simplificação computacional agressiva.