Resumo Técnico: Fluxo da Verdade (FoT)

1. Declaração do Problema

O avanço rápido dos modelos de geração de Imagem para Vídeo (I2V) (por exemplo, AnimateDiff, Wan2.2, Sora, Kling) permite a criação de vídeos altamente realistas e temporalmente coerentes a partir de imagens únicas. Embora benéfico para a produção criativa, essa tecnologia introduz riscos significativos de desinformação e fabricação de conteúdo.

Os mecanismos forenses existentes enfrentam uma limitação crítica neste domínio:

• Estático vs. Dinâmico: A forense proativa tradicional embute assinaturas em imagens estáticas para localizar adulterações. No entanto, a geração I2V envolve uma evolução visual progressiva onde pixels se movem, deformam, desaparecem ou são semanticamente re-sintetizados ao longo do tempo.
• Deriva Temporal: Em I2V, os traços forenses embutidos derivam, deformam ou tornam-se ocluídos à medida que os quadros progridem. A forense espacial estática, que assume alinhamento fixo de pixels, torna-se pouco confiável.
• O Desafio Central: A tarefa forense desloca-se de identificar onde a manipulação ocorreu em um único quadro para rastrear como a evidência protegida flui e se transforma ao longo do tempo. Além disso, os defensores tipicamente têm acesso apenas aos quadros de vídeo liberados pelo atacante; a imagem de origem original não está disponível para estimativa padrão de movimento fonte-alvo.

O artigo identifica a rastreabilidade temporal proativa como um novo requisito forense inexplorado: a capacidade de recuperar a imagem de origem original e rastrear evidências através de mudanças de movimento e semântica sem acesso à fonte original durante a fase de análise forense.

2. Metodologia: Fluxo da Verdade (FoT)

Os autores propõem o Fluxo da Verdade (FoT), um quadro proativo que reformula a geração I2V a partir de uma perspectiva de movimento de pixels em vez de simples síntese de quadros. A hipótese central é que, se um sinal forense for projetado para "seguir" e "traduzir" com a dinâmica subjacente dos pixels, ele pode permanecer sincronizado com os quadros-alvo em evolução.

O quadro opera através de um pipeline de quatro estágios:

A. Reformulação da Tarefa

O problema é definido como aprender um mapeamento $\Phi: I_t \to \hat{I}_{t \to 0}$, onde $I_t$ é um quadro observado e $\hat{I}_{t \to 0}$ é a imagem de origem recuperada. A fonte final é reconstruída agregando previsões de múltiplos quadros. Isso é reformulado como aprender um campo de deslocamento denso (fluxo óptico) da origem para o alvo, permitindo o retrodeslocamento (backward warping) para recuperar a origem.

B. Embutimento de Modelo

Em vez de usar modelos fixos (suficientes para localização estática, mas insuficientes para rastreamento de movimento), o FoT emprega um modelo forense aprendível ($T$).

• Um codificador $E$ embute $T$ na imagem de origem $I_0$ para criar $I^T_0$.
• O embutimento é otimizado para ser visualmente imperceptível (minimizando distorção de pixels e LPIPS) enquanto aloca energia para regiões visualmente estáveis, propensas a manter consistência temporal durante a síntese.

C. Simulação Diferenciável I2V

Para evitar as proibições computacionais e o viés de treinar diretamente em modelos I2V específicos de código fechado, o FoT utiliza um mecanismo de simulação diferenciável:

1. Compressão/Reconstrução: Um Variational Autoencoder (VAE) congelado simula as dinâmicas de compressão e reconstrução dos modelos I2V.
2. Dispersão de Movimento: Um campo de movimento $M_i$ é amostrado aleatoriamente de um banco de conjuntos de dados de fluxo óptico (FlyingChairs, Sintel, Spring, etc.) para dispersar os pixels da imagem reconstruída.
   Essa configuração fornece rótulos de movimento verdadeiros explícitos para treinamento sem exigir vídeos I2V reais, garantindo que o método generalize entre geradores.

D. Captura de Movimento e Modelagem de Incerteza

Um módulo de previsão de fluxo guiado por modelo estima o campo de deslocamento denso entre a origem embutida e o quadro simulado.

• Previsão de Incerteza: Reconhecendo que algumas regiões (por exemplo, áreas ocluídas ou conteúdo semanticamente re-sintetizado) são inerentemente não observáveis, o modelo prevê um mapa de confiança juntamente com o fluxo.
• Função de Perda: Uma perda Mixture-of-Laplace é usada para modelar tanto o movimento determinístico quanto casos incertos (oclusão, novo conteúdo), permitindo que o sistema reduza o peso dos vetores de fluxo não confiáveis durante a reconstrução.

E. Reversão de Fluxo (Inferência)

Durante a inferência, o FoT decodifica a evidência de modelo sobrevivente dos quadros de vídeo do atacante.

1. Ele prevê o campo de movimento da origem para o quadro atual.
2. Ele retrodesloca o quadro para o sistema de coordenadas da origem.
3. Ele funde reconstruções de múltiplos quadros usando os mapas de confiança previstos como máscaras suaves para gerar a imagem de origem recuperada final.

3. Contribuições Principais

1. Identificação do Problema: O artigo define a rastreabilidade temporal proativa como um novo requisito forense crítico para I2V, onde as evidências devem ser rastreadas através de movimento e deriva semântica.
2. Design do Quadro: O FoT é o primeiro quadro proativo para recuperação de origem em I2V. Ele modela exclusivamente a geração de vídeo como movimento pixel a pixel, aprendendo um modelo forense que co-evolui com as trajetórias de pixels.
3. Generalização: O método é treinado em uma simulação diferenciável de movimento e compressão, permitindo que generalize tanto para modelos I2V comerciais (Kling, Dreamina) quanto de código aberto (CogVideoX, Wan2.2) sem acesso direto aos seus pesos.
4. Capacidades Auxiliares: Os autores demonstram que o FoT atua como um módulo plug-in geral que:
   • Aumenta a robustez de marcas d'água de direitos autorais contra distorções geométricas e transformações I2V.
   • Melhora a localização de adulterações ao aproveitar características baseadas em movimento para detectar inconsistências de conteúdo.

4. Resultados Experimentais

Os autores avaliaram o FoT em um benchmark personalizado composto por 204 pares de origem-prompt em cinco cenários de movimento (Rosto, Câmera, Animal, Humano-Ambiente, Multi-Humano) e quatro modelos I2V.

• Recuperação da Verdade: O FoT superou significativamente os quadros "Falsificados" não processados na recuperação da imagem de origem original.
  • Nível de Quadro: O FoT melhorou o PSNR de ~20,4 para ~23,0 e o SSIM de ~0,64 para ~0,76 em média através das escalas de movimento.
  • Nível de Vídeo: Mesmo quando 90% dos quadros iniciais foram descartados (um ataque severo), o FoT manteve uma vantagem de desempenho clara sobre evidências falsificadas brutais, demonstrando resiliência à perda de dados temporais.
• Precisão de Captura de Movimento:
  • O desempenho variou por modelo e cenário. O CogVideoX produziu os resultados mais estáveis (AEE ~6,88), enquanto o Dreamina S2.0 apresentou os maiores desafios (AEE ~30,6).
  • Análise de Cenário: O movimento de "Câmera" (global, coerente) foi mais fácil de capturar do que os cenários "Humano-Ambiente" ou "Multi-Humano", que envolvem interações complexas e não rígidas.
  • Análise de Escala: Grandes magnitudes de movimento (>40px) consistentemente causaram erros mais altos, ecoando desafios no fluxo óptico tradicional, mas o FoT permaneceu eficaz para grandes movimentos estruturados (por exemplo, zooms de câmera).
• Tarefas Auxiliares:
  • Marcação d'Água: O FoT melhorou a precisão de bits para ataques geométricos e I2V quando usado como uma camada de recuperação pós-embutimento para o RoSteALS.
  • Localização de Adulteração: O quadro alcançou altas pontuações Dice (>0,95 em entradas limpas) na localização de regiões editadas, validando que características baseadas em movimento generalizam para detecção de adulteração.

5. Significado e Alegações

O artigo posiciona o FoT como um passo fundamental em direção à forense temporal proativa.

• Mudança de Paradigma: Ele move a análise forense da localização espacial estática para o rastreamento temporal dinâmico, abordando a natureza específica do vídeo generativo onde o conteúdo evolui ao longo do tempo.
• Utilidade Prática: Ao recuperar a "verdade" (a imagem de origem) de vídeos manipulados, o FoT fornece um mecanismo para verificar a autenticidade mesmo quando a origem original é perdida ou ocultada pelo atacante.
• Limitações e Trabalho Futuro: Os autores modestamente reconhecem que o FoT luta com re-síntese semântica (onde o gerador cria conteúdo totalmente novo não presente na origem) e movimentos altamente não rígidos e heterogêneos (por exemplo, interações humanas complexas). Eles sugerem que o trabalho futuro deve focar em priores generativos de alto nível e raciocínio consciente de região para lidar com esses "modos de falha".

O trabalho conclui que, embora rastrear pixels através de grandes deslocamentos não rígidos permaneça desafiador, o FoT estabelece um caminho viável para rastrear evidências protegidas através da evolução temporal de vídeos gerados por IA.