Resumo Técnico: Detecção de Imagens Principais de Produtos Geradas por IA em E-commerce Transfronteiriço Baseada em Fusão de Múltiplas Características

1. Definição do Problema

A rápida adoção de ferramentas de IA generativa (ex: Midjourney, Stable Diffusion, DALL-E 3) por vendedores de e-commerce transfronteiriço introduziu desafios significativos para a auditoria de imagens de plataformas. Embora essas ferramentas reduzam os custos de produção de conteúdo visual, as imagens de produtos geradas por IA frequentemente contêm artefatos sutis em continuidade de microtextura, iluminação de borda e distribuições estatísticas de alta ordem.

Os métodos de detecção de AIGC de uso geral existentes enfrentam três limitações primárias quando aplicados a imagens principais de produtos de e-commerce:

1. Desajuste de Domínio: Detectores padrão são treinados em imagens naturais limpas e falham em distinguir entre recursos de layout artificiais (texto promocional denso, marcas d'água multilíngues, etiquetas de preço) e artefatos reais de geração.
2. Interferência de Ruído: Os fortes gradientes de borda e componentes de alta frequência introduzidos por textos promocionais densos em pôsteres de e-commerce criam "ruído no domínio espacial", levando a altas taxas de falsos positivos em extratores de características globais tradicionais.
3. Degradação de Sinal: A transmissão e o armazenamento em plataformas frequentemente envolvem compressão com perda (ex: conversão JPEG, WebP), o que atua como um filtro passa-baixa, podendo apagar os fracos artefatos ao nível de pixel dos quais os detectores baseados em frequência dependem.

2. Metodologia: MFF-EComDet

Para abordar esses desafios específicos do domínio, os autores propõem o MFF-EComDet, uma rede de fusão de múltiplas características projetada para detectar imagens de produtos geradas por IA. A arquitetura emprega um framework de dois ramos desacoplados guiado por um módulo de Fusão de Características por Atenção Cruzada (CAFF).

2.1 Ramo Semântico Espacial (SSB)

• Objetivo: Capturar inconsistências geométricas macroscópicas, como reflexos incompatíveis, bordas borradas e iluminação não natural.
• Arquitetura: Utiliza um backbone ConvNeXt-B leve (inicializado com pesos ImageNet) para garantir alto rendimento (throughput) adequado para auditoria em tempo real.
• Processo: A imagem de entrada (224x224) é processada através de blocos ConvNeXt empilhados com grandes campos receptivos. Os mapas de características das três últimas etapas são agregados para formar o tensor de característica espacial ($F_s$).

2.2 Ramo de Inversão de Artefato de Frequência (FAIB)

• Objetivo: Capturar anomalias espectrais periódicas e em grade associadas à upsampling e pós-processamento generativo, que frequentemente persistem mesmo quando os traços espaciais são enfraquecidos.
• Arquitetura: Utiliza a Transformada Discreta de Cosseno Bidimensional (2D-DCT) em vez de transformadas de Fourier devido à capacidade superior de compactação de energia da DCT.
• Processo:
  1. As imagens de entrada são convertidas para tons de cinza e divididas em blocos de 8x8 não sobrepostos.
  2. A 2D-DCT é aplicada a cada bloco, seguida por uma transformação logarítmica para compressão de faixa dinâmica.
  3. Camadas leves de Convolução de Coordenadas e convolução com stride mapeiam os coeficientes de frequência de volta à topologia espacial, gerando o tensor de característica de frequência ($F_f$).

2.3 Módulo de Fusão de Características por Atenção Cruzada (CAFF)

• Objetivo: Fundir dinamicamente características espaciais e de frequência enquanto suprime a interferência de textos promocionais.
• Mecanismo:
  • Query ($Q$): Derivada das características espaciais ($F_s$), atuando como o "inspetor" para identificar regiões de interesse.
  • Key ($K$) & Value ($V$): Derivadas das características de frequência ($F_f$), representando potenciais anomalias.
  • Fusão: O módulo calcula pesos de atenção para modelar a interdependência entre domínios. Crucialmente, ele aproveita a observação de que regiões de texto possuem fortes gradientes espaciais, mas carecem dos padrões de frequência periódicos específicos das regiões de produtos geradas por IA. Isso permite que o modelo reduza o peso do ruído de texto e foque em características relacionadas ao produto que sejam discriminativas.
• Saída: As características fundidas são passadas por Global Average Pooling (GAP) e um Perceptron Multicamadas (MLP) para classificação binária (Real vs. Gerada por IA).

3. Principais Contribuições

1. Dataset CBEC-AIGC-Bench: Os autores construíram um conjunto de dados de benchmark específico do domínio contendo 4.000 imagens rotuladas (2.000 reais, 2.000 geradas por IA) em quatro categorias: eletrônicos digitais, vestuário/calçados, alimentos marinhos frescos e equipamentos de pesca ao ar livre. O dataset preserva complexidades do mundo real, incluindo texto promocional denso, marcas d'água multilíngues e artefatos de compressão específicos de plataformas.
2. Arquitetura de Dois Ramos com CAFF: A proposta de uma nova rede que desacopla a análise espacial e de frequência, usando atenção cruzada para alinhá-las dinamicamente. Esta abordagem visa especificamente o problema do "ruído de texto" inerente às imagens de e-commerce, uma lacuna deixada pelos detectores de uso geral existentes.
3. Robustez à Compressão: A metodologia aborda explicitamente o impacto da compressão com perda do lado da plataforma, demonstrando que o design de dois ramos mantém o desempenho mesmo quando os sinais de alta frequência são truncados.

4. Resultados Experimentais

Os experimentos foram conduzidos no dataset CBEC-AIGC-Bench utilizando uma GPU NVIDIA RTX 4090.

• Desempenho Geral: O MFF-EComDet alcançou uma acurácia de 94,8%, superando todos os baselines:
  • ResNet50-Baseline (Espacial Puro): 81,4%
  • DIRE (Reconstrução de Difusão): 89,7%
  • Spec-Detection (Frequência Puro): 83,2%
  • CNNDetection (Múltiplas características): 85,6%
• Estudos de Ablação: Remover o ramo de frequência reduziu a acurácia para 79,5%. Substituir o módulo CAFF por soma linear ou concatenação de canais resultou em acurácias de 86,4% e 88,2%, respectivamente. O módulo CAFF contribuiu com um melhoria de 11,7 pontos percentuais sobre o baseline, validando a necessidade da interação não linear entre domínios.
• Robustez: Sob compressão JPEG agressiva (Fator de Qualidade = 50), o MFF-EComDet manteve uma acurácia de 82,3%, enquanto o Spec-Detection baseado puramente em frequência caiu para 55,4%.
• Generalização: O modelo demonstrou transferibilidade em cenários de "retenção" (testes em plataformas, geradores ou categorias de produtos não vistos), com acurácias variando de 88,9% a 90,6%, indicando que ele aprende pistas de geração generalizáveis em vez de atalhos específicos do dataset.
• Eficiência: O tempo de inferência é de aproximadamente 28,4 ms por imagem em uma RTX 4090.

5. Significância e Alegações

O artigo afirma que o MFF-EComDet oferece uma solução especializada para os desafios únicos da auditoria de e-commerce transfronteiriço. Sua significância reside em:

• Adaptação de Domínio: Abordar com sucesso a interferência causada por textos promocionais densos e layouts multilíngues, que tipicamente degradam o desempenho dos detectores de AIGC gerais.
• Aprendizado de Características Complementares: Demonstrar que combinar pistas geométricas espaciais com estatísticas do domínio da frequência, mediadas por atenção cruzada, fornece um mecanismo de detecção mais robusto do que abordagens de domínio único.
• Viabilidade Prática: Mostrar estabilidade sob cenários comuns de compressão de plataforma, sugerindo potencial para integração em pipelines de auditoria de imagem do mundo real.

Limitações Reconhecidas:
Os autores notam modestamente que o dataset, embora diverso, pode não representar totalmente modelos generativos futuros ou privados. Adicionalmente, o tamanho atual do modelo requer otimização adicional (ex: poda, destilação de conhecimento) para implantação em servidores com recursos limitados. O estudo também destaca a dificuldade de garantir que imagens "reais" de plataformas públicas estejam totalmente livres de edições prévias por IA.