Resumo Técnico: Localização Eficiente de Adulteração de Documentos com Características de Discrepância de Múltiplos Níveis e Incorporação Unificada de DCT–Quantização

Declaração do Problema

A localização de adulteração de documentos é uma tarefa crítica para prevenir fraudes em fluxos de trabalho financeiros e administrativos, embora permaneça altamente desafiadora. As manipulações são frequentemente elaboradas para serem visualmente consistentes, deixando apenas traços sutis invisíveis ao olho humano. Os métodos atuais de estado da arte enfrentam duas limitações primárias:

1. Baixa Generalização Cross-Domain: Modelos treinados em benchmarks sintéticos frequentemente falham em generalizar para falsificações feitas por humanos ou cenários cross-domain onde os documentos de origem e os pipelines de adulteração diferem significamente. Isso é amplamente atribuído ao "aprendizado de atalhos" (shortcut learning), onde os modelos dependem de artefatos específicos do pipeline (ex: padrões de textura ou renderização de fontes específicas) em vez das inconsistências fundamentais introduzidas pela manipulação.
2. Design Ineficiente de Backbone DCT: Embora a análise no domínio da frequência (especificamente a Transformada Discreta de Cosseno ou DCT) tenha se tornado um padrão, arquiteturas recentes (ex: aquelas que utilizam o Cabeçalho de Percepção de Frequência - FPH) focaram em estratégias de fusão downstream, deixando o backbone do codificador largamente inalterado. Esses backbones existentes frequentemente introduzem um overhead computacional significativo devido a expansões de alta dimensão precoces e blocos auxiliares.

Metodologia: DiffNet

Os autores propõem o DiffNet, uma arquitetura de fusão precoce RGB–DCT relativamente simples, porém eficaz, projetada para melhorar o desempenho cross-domain e a eficiência computacional. A arquitetura consiste em duas inovações primárias:

1. Transformação de Discrepância de Múltiplos Níveis

Para evitar que o decodificador opere sobre ativações brutas e densas em conteúdo, e para forçar o modelo a focar em pistas de inconsistência, os autores introduzem uma transformação leve aplicada na saída de cada estágio do backbone (antes da fusão de múltiplos níveis).

• Mecanismo: Esta transformação converte mapas de características em respostas de magnitude apenas de filtros de soma zero aprendidos.
• Design de Filtro: O sistema aprende dois tipos complementares de filtros:
  • Filtros de soma zero livres: Impõem uma restrição de soma zero ($\sum k = 0$) para suprimir o viés e enfatizar a discrepância.
  • Filtros de soma zero ancorados no centro: Restringem o filtro para agir como um preditor de vizinhança central, onde o peso central é a soma negativa dos pesos dos vizinhos não negativos.
• Invariância de Sinal: Ao extrair o valor absoluto das respostas do filtro ($|u_{c,m}(p)|$), a representação captura a força do descompasso independentemente de seu sinal, criando uma representação de discrepância invariante ao sinal através da pirâmide de características.
• Implementação: Para garantir a eficiência, os autores implementam um kernel CUDA customizado que evita a materialização de kernels densos restritos durante o treinamento, utilizando em vez disso uma representação compacta vinculada ao centro.

2. Incorporação Unificada de DCT–Quantização

Os autores redesenham o backbone no domínio DCT para substituir o pesado Cabeçalho de Percepção de Frequência (FPH) por uma abordagem mais eficiente.

• Incorporação Conjunta: Uma vez que tanto os coeficientes DCT quantizados quanto as entradas da tabela de quantização são inteiros discretos, o método utiliza camadas de incorporação (embedding) para mapear cada par coeficiente–quantização $(\hat{C}_{p,k}, Q_k)$ para uma incorporação conjunta compacta.
• Componentes: A incorporação inclui:
  • Uma incorporação de coeficiente quantizado local ($v_{p,k}$).
  • Parâmetros de modulação por frequência ($\gamma_k, \beta_k$) derivados da entrada da tabela de quantização ($Q_k$), aplicados de maneira semelhante ao FiLM.
  • Uma incorporação de índice de frequência aprendida ($f_k$) para identificar a posição do DCT.
  • Um viés de tabela global ($t$) computado a partir da tabela de quantização completa para capturar padrões mais amplos.
• Eficiência: Este design injeta informações de índice de frequência explicitamente sem expansões precoces de alta dimensão ou blocos auxiliares, resultando em um ramo de frequência leve.

Visão Geral da Arquitetura

O DiffNet segue um design de fusão precoce de dois ramos:

1. Ramo RGB: Processa a imagem de entrada usando um backbone ConvNeXt-V2 de quatro estágios.
2. Ramo DCT: Codifica coeficientes DCT quantizados e a tabela de quantização usando a incorporação conjunta proposta e uma pilha compacta de ConvNeXt-V2.
3. Fusão: As características de DCT são injetadas no fluxo RGB após o Estágio 1.
4. Aplicação de Discrepância: A transformação de discrepância de múltiplos níveis é aplicada à saída de cada estágio do backbone.
5. Predição: Um módulo de fusão multiescala (estilo FPN) agrega as características transformadas, seguido por blocos de refinamento e um cabeçalho de segmentação leve para prever a máscara de adulteração.

Principais Contribuições

1. Transformação de Discrepância de Múltiplos Níveis: Um mecanismo inovador aplicado a cada estágio do backbone que converte características em representações de discrepância invariantes ao sinal usando filtros de soma zero aprendidos, deslocando o foco do decodificador do conteúdo para a inconsistência.
2. Backbone DCT Eficiente: Uma incorporação conjunta leve, consciente do índice de frequência, para coeficientes DCT quantizados e tabelas de quantização, fornecendo um forte ramo de frequência sem o overhead dos designs anteriores baseados em FPH.
3. Estudos de Ablação Extensos: Validação abrangente confirmando a contribuição de cada componente, incluindo a necessidade da restrição de soma zero, o design específico da incorporação de DCT e a superioridade dos filtros propostos sobre modalidades residuais fixas (ex: SRM, convoluções de Bayar).
4. Desempenho de Estado da Arte: A integração desses componentes resulta em um novo estado da arte para detecção e localização de adulteração de documentos feita por humanos.

Resultados Experimentais

Os autores avaliaram o DiffNet sob dois protocolos distintos: o Protocolo Doc (avaliação cross-domain em conjuntos de teste diversos com treinamento sintético) e o protocolo Syn2Real-TDoc (treinamento em dados sintéticos de larga escala e teste em conjuntos de dados feitos por humanos).

• Desempenho Cross-Domain (Protocolo Doc): O DiffNet alcançou um F1 score médio de 0,515 através de conjuntos de teste cross-domain (T-SROIE, OSTF, TPIC-13, RTM), superando o melhor anterior (ADCD-Net) em aproximadamente 30% (0,450 vs. 0,515).
• Desempenho de Falsificação Humana (Syn2Real-TDoc): Em conjuntos de dados feitos por humanos (RTM, FindIt, FindItAgain), o DiffNet alcançou um F1 médio de nível de imagem de 0,640 e F1 de nível de pixel de 0,304, melhorando sobre o melhor baseline anterior em +0,017 (imagem) e +0,034 (pixel).
• Eficiência: A arquitetura proposta é significativamente mais rápida que métodos anteriores. Ela atinge um throughput de inferência de 40,1 it/s e um throughput de treinamento de 41,9 it/s (em resolução 768×768), representando um aumento de velocidade de até 7× sobre o ADCD-Net e superando outros baselines de alto desempenho como o FFDN.

Significância e Alegações

O artigo afirma que o DiffNet aborda a lacuna crítica de desempenho cross-domain ao restringir a pirâmide de características para depender de pistas de inconsistência em vez de artefatos específicos de pipeline. Ao revisitar o design do backbone DCT e introduzir uma transformação de característica impulsionada pela discrepância, os autores demonstram que a simplicidade arquitetônica e escolhas de design direcionadas podem superar modelos complexos e pesados.

Os autores reconhecem que, embora seu método forneça um aumento consistente, o desempenho de localização em adulterações feitas por humanos continua sendo um desafio devido à escassez de pistas em edições fortemente ocultadas e à alta proporção de regiões íntegras nos conjuntos de teste. Eles posicionam seu trabalho como um passo em direção a uma generalização mais robusta, observando que melhorias futuras podem exigir a geração de dados sintéticos melhores que mimetizem estratégias de ocultação avançadas sem introduzir novos atalhos. O código e os pesos pré-treinados são disponibilizados para apoiar pesquisas futuras em forense documental.