Resumo Técnico: Detectar Cedo, Escalar Raramente: Detecção de Vídeo Gerado por IA a Qualquer Momento a partir do Bitstream Comprimido

1. Declaração do Problema

Os detectores atuais para vídeo gerado por IA (AIGV) são projetados primariamente para avaliação offline, onde um clipe de vídeo completo é decodificado em pixels e pontuado uma única vez, frequentemente utilizando modelos de Linguagem-Visão (VLMs) pesados ou redes neurais de grande escala. No entanto, a implantação no mundo real é online (streaming), onde o vídeo chega sequencialmente em blocos comprimidos. Este cenário impõe orçamentos de latência rigorosos e restrições computacionais que tornam impraticável a execução de modelos de bilhões de parâmetros em cada quadro recebido. Além disso, os métodos existentes de percepção de streaming focam em detecção de objetos ou reconhecimento de ações, não em geração de vídeo sintético, e os detectores de deepfake em tempo real geralmente dependem de imagens faciais decodificadas em vez do próprio bitstream comprimido.

O desafio central é detectar AIGV em streaming a partir do bitstream comprimido com validade a qualquer momento (tomar decisões em qualquer ponto do fluxo com taxas de erro controladas) e adaptatividade computacional (escalar apenas clipes incertos para modelos caros).

2. Metodologia

A abordagem proposta, StreamDet, reformula a detecção de AIGV como um problema de percepção de streaming operando diretamente no campo de movimento do codec.

2.1 O Protocolo de Streaming

• Entrada: O vídeo chega como uma sequência ordenada de Grupos de Imagens (GOPs), denotados como $g_1, g_2, \dots, g_N$.
• Extração de Características (Estágio 1): Em vez de decodificar quadros para pixels, o sistema analisa o campo de vetor de movimento (MV) quantizado já escrito no bitstream pelo codec. Para cada GOP, ele extrai um vetor de características fixo de 13 dimensões $\phi_t$ (4 estatísticas de movimento global e 9 dimensões espectrais).
• Pontuação: Um pontuador leve baseado em CPU $f_R$ mapeia essas características para uma pontuação $s_t$, onde uma pontuação mais alta indica "gerado". Este processo requer aproximadamente $10^5$ operações de multiplicação-acumulação (MACs) por GOP, cinco ordens de magnitude menos do que uma CNN no domínio dos pixels.
• Agregação: O sistema mantém um máximo acumulado $M_t = \max_{i \le t} s_i$. Esta agregação monotônica permite que o detector atue assim que a pontuação cruza um limiar.

2.2 O Mecanismo de Decisão (Cascata com Adiamento)

O sistema emprega uma cascata de dois estágios com uma "fronteira de custo" de computação:

1. Estágio 1 (Sempre ativo): Um limiar calibrado ao final $\tau$ é aplicado ao máximo acumulado $M_t$.
   • Se $M_t \ge \tau$, o clipe é imediatamente classificado como gerado (saída antecipada).
   • Se o fluxo terminar ou um orçamento de latência for atingido sem cruzar $\tau$, o sistema verifica a proximidade com o limiar.
2. Banda de Adiamento: Uma largura $w$ define uma banda de incerteza $W = [\tau - w, \tau)$.
   • Se $M_t < \tau - w$, o clipe é classificado como real.
   • Se $M_t \in W$, o clipe é adiado para o Estágio 2.
3. Estágio 2 (Sob demanda): Os clipes adiados são escalados para um detector caro (ex: uma CNN de pixels ou um VLM) aplicado ao prefixo observado. O veredito final é o veredito do Estágio 2 para clipes adiados e do Estágio 1 para todos os outros.

2.3 Garantias Teóricas

O artigo estabelece duas propriedades teóricas fundamentais:

• Controle de Falso-Positivo Válido a Qualquer Momento: Como o agregado $M_t$ é monotônico, um único limiar $\tau$ calibrado no prefixo final de clipes reais controla a taxa de falsos positivos (FPR) no tempo de parada dependente dos dados (o momento em que o gatilho dispara). Isso evita o problema da "parada opcional", onde a recalibração por prefixo inflaria a taxa de erro.
• Fronteira de Precisão-Computação: O custo computacional esperado tem uma forma fechada: $\mathbb{E}[C] = \bar{t}C_1 + \text{Pr}(s \in W)C_2$. A precisão da cascata é monotônica em relação ao orçamento computacional se, e somente se, a condição de adiamento for mantida (ou seja, o Estágio 2 é mais preciso que o Estágio 1 especificamente no conjunto adiado).

3. Principais Contribuições

1. Estrutura de Detecção de AIGV em Streaming: Os autores recasualizaram a detecção como percepção de streaming, definindo métricas como AUC a qualquer momento (ROC-AUC sobre prefixos observados) e AUC de streaming com orçamento de latência.
2. Front-end de Domínio Comprimido Válido a Qualquer Momento: Um estágio baseado apenas em CPU que pontua o campo de movimento do codec sem decodificação de pixels. Ele fornece um agregado de pontuação monotônico que permite saídas antecipadas com um único limiar calibrado ao final, garantindo o controle de FPR no tempo de parada.
3. Fronteira de Computação com Preço Definido: Um mecanismo de cascata que escala apenas clipes incertos. O artigo deriva a fronteira de precisão-computação, mostrando que a precisão melhora com o orçamento apenas quando a escalação é aplicada a clipes onde o modelo barato é realmente incerto (a "condição de adiamento").

4. Resultados Experimentais

Os experimentos foram conduzidos no GenVidBench (uma célula correspondente de ~27k clipes) e no AIGVDBench.

• Eficiência vs. Precisão (Estágio 1): O estágio do codec sozinho atinge um AUC de 0.64 no comprimento total e 0.80 no primeiro GOP (sAUC(1)), usando $10^5$ MACs por GOP. Isso é cinco ordens de magnitude menos de computação do que uma CNN de pixels ($1.8 \times 10^{10}$ MACs) enquanto permanece informativo desde o primeiro bloco.
• Desempenho da Cascata: Adiar 15% dos clipes para uma CNN de pixels aumenta a precisão de decisão de 0.75 (apenas codec) para 0.78. Isso alcança maior precisão do que pontuar cada clipe com a CNN de pixels (0.76) utilizando 7$\times$ menos computação.
• Escalação para VLM: Ao escalar para um pequeno VLM (Ivy-xDetector) em uma subamostra, a cascata atinge 0.79 de precisão com 55% de adiamento, superando significativamente a CNN de pixels (0.68) no mesmo conjunto adiado. No entanto, o VLM sozinho é computacionalmente proibitivo ($\sim 10^{13}$ MACs/clipe) e pouco confiável em geradores "difíceis".
• Garantias: O limiar calibrado ao final manteve o FPR no tempo de parada em 0.039 (alvo $\alpha=0.05$). Em contraste, a recalibração ingênua por prefixo causou um desvio significativo do FPR sob mudanças de distribuição.
• Ablações:
  • Viés de Movimento: O sinal sobrevive ao pareamento por magnitude de movimento, sugerindo que não é meramente um artefato de "vídeos gerados se movem menos".
  • Agregador: O máximo acumulado é o único agregador monotônico, que é necessário para as garantias teóricas, embora o pooling de média (mean-pooling) resulte em maior precisão offline.
  • Cross-Dataset: O método se replica no AIGVDBench, embora o controle de FPR derive ligeiramente (0.068) quando a distribuição de teste difere do conjunto de calibração.

5. Significância e Alegações

O artigo afirma que a detecção de AIGV deve ser tratada como um problema de streaming e não como uma tarefa de lote offline. Sua significância reside em:

• Reformulação: Mover a detecção do domínio de pixels para o bitstream comprimido, aproveitando sinais que o codec já computou.
• Garantias: Fornecer inferência válida a qualquer momento, onde a taxa de falsos positivos é controlada no exato momento em que uma decisão é tomada, independentemente de quando esse momento ocorre.
• Eficiência: Demonstrar que um "parsing" barato do codec pode servir como um front-end robusto, reservando computação cara (GPU/VLM) apenas para os casos mais difíceis. Isso cria uma fronteira de precisão-computação monotônica, onde a precisão escala com o orçamento apenas quando a lógica de escalação é sólida.

Os autores declaram explicitamente que não propõem uma nova arquitetura de detector, mas sim um protocolo e uma reformulação que permite uma detecção eficiente, garantida e adaptativa. Eles reconhecem limitações, incluindo a dependência de acesso ao bitstream, a necessidade de calibração em dados reais retidos e o potencial para atalhos de viés de movimento em geradores específicos.