SWIFT: Sliding Window Reconstruction for Few-Shot Training-Free Generated Video Attribution¶
会议: CVPR 2026
arXiv: 2603.08536
代码: GitHub
领域: 视频生成
关键词: 生成视频溯源, 3D VAE, 滑动窗口重建, 免训练, 时间一致性
一句话总结¶
SWIFT 首次定义了"少样本免训练生成视频溯源"任务，利用 3D VAE 中"多帧像素↔单帧潜变量"的时间映射特性，通过固定长度滑动窗口执行正常和损坏两次重建，用重叠帧的损失比值作为溯源信号，仅需 20 个样本即可达到 90%+ 平均溯源准确率，5 模型平均 94%。
研究背景与动机¶
- 领域现状：视频生成技术（HunyuanVideo、Wan2.1/2.2、EasyAnimate 等）飞速发展，均采用 3D VAE + DiT 架构。生成视频可能被滥用于传播虚假信息、侵犯知识产权。
- 现有痛点：现有溯源方法分两类——(1) 水印主动溯源需嵌入操作，可能降低视频质量；(2) 训练式被动溯源需大量训练样本，新模型出现需重新训练。图像溯源方法（RONAN/LatentTracer/AEDR）迁移到视频时准确率显著下降。
- 核心矛盾：图像溯源方法只关注空间一致性，忽略了视频数据固有的时间一致性约束，无法有效处理序列相关的扰动。
- 本文目标 如何在无需训练、仅需少量样本的条件下，利用视频的时间特性实现可靠的生成视频溯源？
- 切入角度：SOTA 视频生成模型的 3D VAE 在时间维度上进行上下采样（压缩比通常为 4 或 8），自然形成了"K 帧像素↔1 帧潜变量"的时间映射。属于某模型的视频在按 chunk 对齐时满足该模型 VAE 分布，而不属于的视频不满足。
- 核心 idea：通过滑动窗口打破时间对齐来"损坏"重建，属于目标模型的视频在正常/损坏重建间有显著损失差异，非属于视频无此差异。
方法详解¶
整体框架¶
SWIFT 想回答的问题很具体：给定一段视频，它是不是某个目标模型生成的？方法的支点是 3D VAE 的时间压缩——这些 VAE 在时间维度上以压缩比 \(K\)（通常 4 或 8）下采样，每 \(K\) 帧像素被映射成 1 帧潜变量。属于该模型的视频，只要按 \(K\) 帧一组（chunk）对齐，编解码就落在 VAE 熟悉的分布里，重建得很准；一旦把帧错位、打乱 chunk 对齐，重建就崩。SWIFT 正是制造这种「对齐 vs 错位」的对照：给同一段视频取两个滑动窗口，一个保持时间对齐、一个故意错位，各重建一次，看两次的损失差多少。属于目标模型的视频会在对照中露出巨大差异，不属于的则两次都差不多。整条流水线只需白盒访问目标 VAE 的编解码器，不训练任何模型。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["待溯源视频<br/>KN 帧"] --> B["固定长度滑动窗口<br/>正常 W0 / 损坏 W(K−1)，长 K(N−1)"]
B --> C0["VAE 重建正常窗口<br/>时间对齐，重建准"]
B --> C1["VAE 重建损坏窗口<br/>错位 K−1 帧，重建崩"]
C0 --> D["正常与损坏差分重建<br/>重叠帧逐帧损失比值 t"]
C1 --> D
D --> E["KDE 自适应阈值 τ<br/>少量已知样本估分布"]
E -->|"t < τ"| F["判定：属于目标模型"]
E -->|"t ≈ 1 ≥ τ"| G["判定：不属于"]关键设计¶
1. 固定长度滑动窗口：用一个错位窗口把「时间对齐」这个隐藏假设打破
差分对照需要两个长度相同、但时间对齐状态相反的窗口。设视频有 \(KN\) 帧（\(N\) 为 chunk 数），窗口长度统一取 \(K(N-1)\) 帧。正常窗口 \(W_0\) 从第 1 帧起，窗口内每个 chunk 的帧组成和位置都正好满足 VAE 的时间映射；损坏窗口 \(W_{K-1}\) 整体向后挪 \(K-1\) 帧，于是每一帧都被推到错误的 chunk 槽位上，时间一致性被破坏到最大。一般地，窗口起点 \(j\) 满足 \(j \bmod K = 0\) 时是正常窗口，\(j \bmod K \neq 0\) 时是损坏窗口。之所以专挑 \(W_0\) 配 \(W_{K-1}\)，是因为 \(K-1\) 的偏移能同时改掉「chunk 内帧组成」和「帧到潜变量位置的映射」两件事，错位最彻底。以 \(K=4\) 为例：正常窗口取第 1–\(4(N-1)\) 帧，损坏窗口取第 4–\((4N-1)\) 帧（偏移 3 帧），两者在中段大量帧重叠，但对齐状态正好相反，可以逐帧对比。对于解码器里还带去噪步骤的 VAE（如 LTX），错位带来的破坏会被去噪「修回去」一部分，因此需要定量算一遍才能挑出差异最大的那对窗口。
2. 正常与损坏差分重建：用损失比值而非绝对误差，抵消视频内容本身的难易差异
两个窗口各过一遍 VAE：正常窗口重建得 \(W_0^* = \mathcal{R}(W_0)\)，损坏窗口重建得 \(W_{K-1}^{**} = \mathcal{R}(W_{K-1})\)。归属信号 \(t\) 取两者在重叠帧上的逐帧损失比值的均值：
其中 \(\mathcal{L}\) 用 MSE，\(F_i\) 是第 \(i\) 帧原图。如果视频确实出自目标模型，正常重建几乎无损（分子小）、错位重建明显崩坏（分母大），比值 \(t \ll 1\)；如果不是这个模型生成的，VAE 对它本就不熟，对齐与错位都重建得一般，两个损失接近，\(t \approx 1\)。这里关键不是看绝对重建误差——那会被视频内容本身的复杂度带偏（纹理多的视频天然难重建），而是看同一段视频在「对齐/错位」下的相对变化，把内容难度从信号里约掉，只留下「这段视频是否吃 VAE 的时间对齐」这一信息。
3. KDE 自适应阈值：用非参数密度估计定判定线，避开对信号分布的任何假设
有了 \(t\) 还需要一条判定线 \(\tau\)：\(t\) 低于它判为「属于该模型」。但归属信号 \(t\) 在不同模型间分布形态各异，还常带离群值，硬套高斯之类的参数分布并不稳。SWIFT 改用核密度估计（KDE，高斯核 + Scott 带宽）从少量已知归属视频的 \(t\) 分布里估出阈值，取累积分布达到 \(1-\alpha\)（\(\alpha=0.05\)）的那个点作 \(\tau\)。KDE 不假设分布形式，对离群值天然鲁棒，所以同一套流程不必为每个模型手调，每模型只需几十个样本就能定好自己的阈值。
损失函数 / 训练策略¶
SWIFT 完全免训练，唯一的「度量选择」是用哪种重建损失算 \(t\)。消融显示 MSE 最能放大对齐/错位的差异（98.4%），略优于 MAE（97.8%），而 PSNR（47.8%）和 SSIM（47.1%）几乎失效——后两者衡量的是结构相似度而非逐像素差异，捕捉不到 VAE 分布层面的细微崩坏，因此把对照信号也抹平了。
实验关键数据¶
主实验¶
在自建 S-Video 数据集（4000 视频：500 真实 + 3500 生成自 5 个 SOTA 模型）上评估：
| 目标模型 | SWIFT 平均准确率 | AEDR 平均准确率 | 提升 |
|---|---|---|---|
| HunyuanVideo | 90.7% | 60.5% | +30.2% |
| Wan2.1 | 98.4% | 89.3% | +9.1% |
| EasyAnimate | 97.8% | 63.1% | +34.7% |
| LTX-Video | 85.3% | 79.3% | +6.0% |
| Wan2.2 | 97.9% | 78.5% | +19.4% |
| 整体平均 | 94.0% | 73.6% | +20.4% |
消融实验¶
少样本能力（阈值所需样本数）：
| 样本数 S | 平均准确率 | 说明 |
|---|---|---|
| 0 (零样本) | 85.1% | 直接设 \(\tau=1\) |
| 20 | 90.2% | 少样本即可达 90% |
| 50 | 92.5% | 性能趋于饱和 |
| 200 | 94.0% | 最优 |
窗口选择消融（HunyuanVideo, K=4）：
| 正常窗口 | 损坏窗口 | 准确率 |
|---|---|---|
| \(W_0\) | \(W_1\) | 82.3% |
| \(W_0\) | \(W_2\) | 82.3% |
| \(W_0\) | \(W_3\) | 90.7% |
关键发现¶
- Wan2.1/EA/Wan2.2 上表现极其出色（97-98%），因为这些模型的 VAE 是纯粹的编解码器，VAE 分布特征保留完整。
- LTX-Video 上最低（85.3%），因其 VAE 解码时附加去噪步骤，削弱了重建差异信号。但依然远超基线。
- 零样本可行：对 HunyuanVideo、EasyAnimate、Wan2.2 直接设阈值为 1 即可实现约 90% 准确率。
- 效率优势：比 AEDR 快 4-32%，因 SWIFT 仅重建窗口而非完整视频。
- MSE 为最佳损失度量：MSE 比 MAE 更有效放大差异（98.4% vs 97.8%）。
亮点与洞察¶
- 巧妙利用 3D VAE 时间压缩特性：将 3D VAE 的固有时间映射关系转化为溯源信号源，思路极为巧妙。这种"利用模型结构特性做取证"的范式可推广到其他利用特定架构组件的检测任务。
- 差分重建消除内容偏差：不是看绝对重建误差（会受视频内容影响），而是看正常/损坏的比值，使得信号仅依赖于 VAE 分布匹配程度，大幅提升鲁棒性。
- 少样本+免训练的实用性：仅需 20 个归属视频样本就能达到 90% 准确率，无需训练任何模型，在新模型不断涌现的当下非常实用。
局限与展望¶
- LTX-Video 因解码器去噪步骤导致准确率下降至 85.3%，对于采用更复杂 VAE 设计的未来模型，方法可能需要适配
- 当前仅支持白盒访问 VAE 的场景，模型所有者之外的第三方难以使用
- 未讨论视频经过压缩（如 H.264/H.265）后的鲁棒性
- 当多个模型共享同一 VAE 时（如基于同一基础模型微调），溯源可能失效
- 改进方向：可探索黑盒设置下的溯源、结合频域分析增强对复杂 VAE 的检测
相关工作与启发¶
- vs AEDR: 图像溯源方法，通过 VAE 重建一致性做归属。SWIFT 将其扩展到视频，关键创新是利用时间维度的差分重建而非单纯空间重建，准确率从 73.6% 提升到 94.0%。
- vs RONAN/LatentTracer: 基于梯度优化的图像溯源方法，计算开销大。SWIFT 无需梯度优化，仅需前向编解码即可。
- vs 水印方法: 水印需修改生成管线，SWIFT 完全被动、对生成过程透明。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ 首次定义该任务，巧妙利用 3D VAE 时间特性，差分重建思路独特
- 实验充分度: ⭐⭐⭐⭐ 5 个模型评测充分，消融详尽，但缺少视频压缩鲁棒性测试
- 写作质量: ⭐⭐⭐⭐ 形式化定义清晰，但部分符号较冗余
- 价值: ⭐⭐⭐⭐⭐ 高度实用，少样本免训练范式在 AI 安全领域有重要应用前景