🤖 AI

G2VD: Generalizable AI-Generated Video Detection via Counterfactual Intervention and Causal Disentanglement

O artigo propõe o G2VD, um framework de detecção de vídeo gerado por IA generalizável que aproveita a intervenção contrafactual e o desmembramento causal para mitigar o aprendizado de atalhos e alcançar um desempenho superior entre domínios ao separar pistas forenses intrínsecas de vieses específicos de domínio.

Autores originais: Meng Du, Hongchang Chen, Ran Li, Junjie Zhang, Qi Ouyang, Shibo Zhang, Shuxin Liu

Publicado 2026-07-30

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Meng Du, Hongchang Chen, Ran Li, Junjie Zhang, Qi Ouyang, Shibo Zhang, Shuxin Liu

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um mundo onde você pode digitar algumas palavras em um computador e assistir a um filme aparecer, completo com atores, explosões e monólogos emocionais. Esta é a magia da geração de vídeo por IA. Mas com grande magia vem um problema complicado: como você sabe se um vídeo é real ou uma farsa inteligente? Este é o campo de batalha da "forense de vídeo". Por muito tempo, detetives (ou, neste caso, programas de computador) tentaram detectar falsificações procurando por pequenos erros, como um brilho estranho no fundo ou um rosto que não se move corretamente. No entanto, à medida que a IA melhora, esses erros desaparecem. O novo problema é que os detectores costem ficar "preguiçosos". Em vez de aprender o que torna um vídeo verdadeiramente falso, eles aprendem a identificar a "impressão digital" específica da máquina que o criou. É como um segurança que só sabe deter pessoas usando chapéus vermelhos porque os últimos três ladrões usavam chapéus vermelhos. Se um ladrão aparecer com um chapéu azul, o segurança o deixa entrar. Este artigo, G2VD, tenta ensinar o segurança a detectar o ladrão, não apenas o chapéu.

Os pesquisadores por trás deste estudo, liderados por Meng Du e Shuxin Liu, perceberam que a razão pela qual os detectores atuais falham ao enfrentar novos geradores de IA é um fenômeno chamado "aprendizado de atalho" (shortcut learning). Basicamente, os detectores estão trapaceando. Eles não estão procurando pelas pistas profundas e intrínsecas que provam que um vídeo é falso; eles estão apenas memorizando o estilo das ferramentas de IA específicas para as quais foram treinados. Para corrigir isso, a equipe construiu um novo sistema chamado G2VD (Generalizable AI-Generated Video Detection). Seu ingrediente secreto envolve dois truques principais: "Intervenção Contrafactual" e "Desentrelaçamento Causal".

Pense na "Intervenção Contrafactual" como um editor que viaja no tempo. O sistema pega um vídeo real e um vídeo falso e pergunta: "E se este vídeo falso tivesse o estilo de um real?". Ele usa uma ferramenta especial (um VAE) para reconstruir o vídeo e então troca cuidadosamente partes da imagem, misturando as pistas "falsas" com o estilo de fundo "real". Ao criar esses cenários de "e se", o sistema força o detector a parar de depender do estilo (a cor do chapéu) e começar a prestar atenção à evidência real da falsificação.

Uma vez que o sistema possui esses vídeos complicados de "e se", ele usa o "Desentrelaçamento Causal" para dividir o cérebro do detetive em duas partes. Uma parte é treinada para procurar apenas pelas pistas "reais" (as pistas forenses intrínsecas), enquanto a outra parte é treinada para procurar pelas pistas de "estilo" (o viés específico do domínio). O sistema então garante que essas duas partes não conversem demais entre si, assegurando que o detector de "pistas reais" não se distraia com o estilo. É como treinar um detetive para ignorar as roupas do suspeito e focar apenas em suas impressões digitais.

Os resultados desta abordagem são bastante impressionantes. A equipe testou o G2VD em quatro diferentes conjuntos de dados públicos, incluindo um desafio muito difícil chamado GenVidBench, onde os vídeos falsos são quase indistinguíveis dos reais. Neste cenário difícil, o G2VD conseguiu alcançar uma precisão geral de mais de 90%. Quando comparado aos melhores métodos existentes, ele melhorou o escore F1 (uma medida de precisão) em 0,194 e o escore AUC em 0,104. Talvez o mais surpreendente seja que o sistema alcançou essas pontuações altas usando apenas 10% dos dados de treinamento disponíveis.

O artigo sugere que, ao quebrar o vínculo entre "estilo" e "falso", os detectores podem finalmente generalizar. Isso significa que um detector treinado em um tipo de vídeo de IA pode identificar com sucesso falsificações feitas por um gerador de IA completamente diferente e inédito. Embora o sistema ainda seja sensível à compressão pesada (como quando um vídeo é espremido em um arquivo de tamanho pequeno), os autores mostram que este novo método é um passo significativo à frente. Ele nos move de detectores que são frágeis e facilmente enganados por novos truques, em direção a detectores que entendem a natureza fundamental do que torna um vídeo falso, não importa quem o fez.

Resumo Técnico: G2VD

Definição do Problema

Os avanços rápidos na geração de vídeos por IA (ex: Sora, Stable Video Diffusion, HunyuanVideo) criaram riscos de segurança significativos, incluindo desinformação e fraude de identidade. Embora os detectores existentes tenham um bom desempenho em dados de domínio interno (in-domain), eles sofrem uma degradação substancial de desempenho quando aplicados a geradores não vistos. O artigo identifica o aprendizado de atalhos (shortcut learning) como a causa primária: os detectores dependem de vieses específicos do domínio (como impressões digitais de geradores, padrões de compressão ou estilos de geração) em vez de pistas forenses intrínsecas. Esse emaranhamento cria fronteiras de decisão que falham em generalizar quando ocorrem mudanças de distribuição ao nível do gerador. As soluções atuais, incluindo aumento orientado à forense e modelos de linguagem de grande escala multimodais (MLLMs), frequentemente falham em superar consistentemente detectores especializados sob tais mudanças ou produzem explicações pouco confiáveis.

Metodologia

Os autores propõem o G2VD (Generalizable AI-Generated Video Detection), um framework fundamentado em Modelos Causais Estruturais (SCM) que trata as pistas forenses intrínsecas como fatores causais ( $S$ ) e o viés específico do domínio como fatores não causais ( $U$ ). O framework consiste em dois componentes primários:

1. Pipeline de Intervenção Contrafactual (CFIPipeline)

Para enfraquecer a correlação espúria entre o viés específico do domínio e os rótulos de autenticidade, o G2VD constrói amostras contrafactuais. Idealmente, uma amostra contrafactual $X^*_{cf}$ combinaria o fator causal de um vídeo falso ( $S_f$ ) com o fator não causal de um vídeo real ( $U_r$ ). Como $S$ e $U$ são latentes e emaranhados, o G2VD aproxima isso através de um processo de três etapas:

Reconstrução baseada em VAE: Vídeos reais são reconstruídos usando um conjunto diversificado de Autoencoders Variacionais (VAEs) para introduzir traços induzidos pela reconstrução associados às pistas forenses intrínsecas.
Alinhamento no Domínio da Frequência: Para preservar as características do domínio ( $U_r$ ) enquanto retém os traços de reconstrução, o pipeline alinha as amplitudes de alta frequência do vídeo real original com a fase e os componentes espectrais restantes do vídeo reconstruído. Isso mitiga a atenuação de alta frequência causada pela codificação de vídeo com perda (lossy).
Alinhamento no Domínio de Pixels: A interpolação é aplicada para reduzir discrepâncias residuais de cor ou contraste, resultando na amostra contrafactual final $X_{cf}$ .

2. Classificador de Desemaranhamento Causal

Baseando-se na intervenção contrafactual, o classificador aprende a separar representações causais e não causais usando dois ramos ancorados no domínio e uma restrição de independência:

Ramo Causal: Treinado para classificar vídeos reais como negativos e tanto os vídeos falsos originais quanto as amostras contrafactuais (que compartilham o fator causal falso $S_f$ ) como positivos. Isso incentiva o ramo a capturar pistas forenses intrínsecas ( $S$ ), independentemente do viés do domínio.
Ramo Não Causal: Treinado com uma regra de rotulagem complementar onde as amostras contrafactuais são rotuladas como reais (compartilhando $U_r$ com os vídeos reais originais). Isso incentiva o ramo a capturar o viés específico do domínio ( $U$ ).
Restrição de Independência: Os dois ramos são regularizados usando o Critério de Independência de Hilbert-Schmidt (HSIC) para minimizar a dependência estatística entre as representações causais ( $F_c$ ) e não causais ( $F_{nc}$ ), garantindo que capturem fatores distintos.

Durante a inferência, o CFIPipeline e o ramo não causal são descartados; a predição depende exclusivamente do backbone e do ramo causal.

Principais Contribuições

Formulação Causal: O artigo reformula a detecção de vídeos gerados por IA ao identificar o emaranhamento de pistas forenses intrínsecas e o viés específico do domínio como a causa raiz da falha de generalização cross-domain.
Framework G2VD: Introduz um novo framework que integra intervenção contrafactual baseada em reconstrução com desemaranhamento causal ancorado no domínio para mitigar o aprendizado de atalhos.
Validação Empírica: Experimentos extensos em quatro conjuntos de dados públicos demonstram que o G2VD alcança um forte desempenho cross-domain usando apenas 10% dos dados de treinamento disponíveis, validando a eficácia tanto do pipeline de intervenção quanto do classificador de desemaranhamento.

Resultados Experimentais

O framework foi avaliado em quatro conjuntos de dados: GenVidBench, GenVideo, GVD e GVF.

GenVidBench: No cenário desafiador do GenVidBench, o G2VD-CLIP alcançou uma acurácia geral (ACC) de 91,9%, com um F1 score de 0,950 e AUC de 0,949. Isso representa uma melhoria de 25,0 pontos percentuais sobre o melhor baseline (CLIP) e ganhos significativos sobre outros métodos de estado da arte, particularmente em fontes difíceis como MuseV e SVD.
Outros Conjuntos de Dados: As variantes do G2VD superaram consistentemente os métodos baseline nos conjuntos GenVideo, GVD e GVF, com melhorias variando de 1,8 a 4,7 pontos percentuais sobre os backbones correspondentes.
Estudos de Ablação: A remoção tanto do CFIPipeline quanto do classificador de desemaranhamento causal resultou em uma queda drástica de desempenho (ex: caindo para ~61–66% de ACC no GenVidBench), confirmando que os componentes de intervenção e desemaranhamento são críticos para a generalização.
Robustez: O modelo demonstrou robustez contra o desfoque Gaussiano (Gaussian blur), mas mostrou sensibilidade à compressão JPEG agressiva, sugerindo que a compressão remove evidências forenses utilizadas pelo detector.

Significância e Alegações

O artigo afirma que o G2VD fornece uma base prática para a forense de vídeo cross-domain ao guiar os detectores para longe de atalhos específicos do gerador e em direção a pistas forenses intrínsecas. Os autores asseguram que sua abordagem separa efetivamente os fatores causais dos vieses não causais, permitindo a detecção confiável mesmo sob mudanças de distribuição ao nível do gerador com dados de treinamento limitados. O trabalho destaca que, embora os métodos baseados em MLLM ofereçam explicabilidade, detectores visuais especializados com mecanismos de desemaranhamento causal atualmente oferecem maior confiabilidade e generalização neste domínio. O trabalho futuro foca em melhorar a robustez e a calibração do modelo para implantação no mundo real.