Spread them Apart: Towards Robust Watermarking of Generated Content

إليك ملخص تقني مفصل لورقة البحث بعنوان "Spread them Apart: Towards Robust Watermarking of Generated Content" (بسطهم بعيداً: نحو علامات مائية قوية للمحتوى المُولد).

1. بيان المشكلة

أدى التقدم السريع في النماذج التوليدية، وخاصة نماذج الانتشار (مثل Stable Diffusion)، إلى جعل التمييز بين الصور الحقيقية والصور المولدة بواسطة الذكاء الاصطناي أكثر صعوبة. وتثير هذه القدرة تحديين أخلاقيين وقانونيين حرجين:

• التحقق من المحتوى: عدم القدرة على التحقق تلقائياً مما إذا كان الكائن الرقمي مُولداً اصطناعياً (مثل التزييف العميق - Deepfakes).
• نسب المحتوى للمستخدم (User Attribution): خطر قيام المستخدمين غير الأمناء بادعاء حقوق ملكية فكرية حصرية للمحتوى المولد أو انتهاك اتفاقيات الترخيص عن طريق إزالة آثار الملكية.

تتطلب طرق العلامات المائية الموجودة غالباً إعادة تدريب النموذج التوليدي (التدريب من البداية للنهاية) أو تفتقر إلى المتانة ضد هجمات المعالجة اللاحقة المحددة (مثل التحويلات الهندسية أو الهجمات العدائية). يقترح المؤلفون حلاً يقوم بدمج العلامات المائية أثناء مرحلة الاستدلال (Inference Phase) دون الحاجة إلى إعادة تدريب النموذج، مما يضمن المتانة ضد الاضطرابات الجمعية والضربية على حد سواء.

2. المنهجية: "Spread them Apart" (بسطهم بعيداً)

يقوم الإطار الأساسي، المسمى Spread them Apart، بدمج العلامات المائية الرقمية عن طريق تحسين التمثيل الكامن (Latent Representation) للصورة أثناء عملية التوليد.

أ. الآلية الجوهرية (على مستوى البكسل)

بدلاً من حقن الضجيج أو تعديل مكونات التردد مباشرة، تفرض الطريقة متباينات (Inequalities) محددة بين أزواج شدة البكسلات بناءً على مفتاح سري للمستخدم.

• توليد المفتاح: عند التسجيل، يتم تخصيص علامة مائية عامة $w(u_i)$ (سلسلة ثنائية) ومفتاح سري خاص $s(u_i)$ (مجموعة من أزواج الفهارس $\{a_j, b_j\}$) لكل مستخدم $u_i$.
• قاعدة الدمج: لكل بت $w_j$ من العلامة المائية:
  • إذا كانت $w_j = 0$، يضمن النموذج أن شدة البكسل $x_{a_j} \ge x_{b_j}$.
  • إذا كانت $w_j = 1$، يضمن النموذج أن $x_{a_j} < x_{b_j}$.
• التحسين (Optimization): خلال عملية استدلال الانتشار، يتم تحسين المتجه الكامن $z$ لتقليل دالة الخسارة المخصصة $\mathcal{L}$:
  $$\mathcal{L} = \lambda_{wm}\mathcal{L}_{wm} + \lambda_{qual}\mathcal{L}_{qual}$$
  • $\mathcal{L}_{wm}$: تعاقب انتهاكات قيود متباينة البكسل المحددة بالمفتاح السري.
  • $\mathcal{L}_{qual}$: تحافظ على جودة الصورة باستخدام مقياس LPIPS لمنع التدهور.
• الاستخراج: للكشف عن العلامة المائية، يستخدم المالك المفتاح السري للتحقق من أزواج البكسلات. إذا تحقق التباين، يتم فك تشفير البت؛ وإلا فإنه يتم عكسه.

ب. توسيع المتانة (في نطاق التردد)

للتعامل مع التحويلات الهندسية (الدوران، الإزاحة) التي تخل بمواقع البكسلات، وسع المؤلفون الطريقة لدمج العلامات المائية في آن واحد في:

1. مساحة البكسل (Pixel Space): كما هو موضح أعلاه.
2. الثوابت المتعلقة بالإزاحة ($\gamma_t$): باستخدام مقدار تحويل فوريه (Fourier Transform) (النظرية 1)، وهو ثابت تجاه الإزاحة.
3. الثوابت المتعلقة بالدوران ($\gamma_r$): باستخدام مقدار تحويل فوريه-ميلين (Fourier-Mellin Transform) (النظرية 2)، وهو ثابت تجاه الدوران والتحجيم.

يتم تعزيز دالة الخسارة لفرض القيود على هذه الميزات الثابتة، مما يخلق نظام "علامة مائية ثلاثية" (بكسل + ثابت الإزاحة + ثابت الدوران).

ج. منطق النسب (Attribution Logic)

يستخدم النظام قاعدة "الكشف مزدوج الذيل" (Double-tail detection). يتم نسب الصورة للمستخدم $u_i$ إذا كانت مسافة هامينج (Hamming distance) بين العلامة المائية المستخرجة والعلامة المائية المخصصة للمستخدم هي إما صغيرة جداً (تطابق عالٍ) أو كبيرة جداً (عدم تطابق عالٍ، مما يعني فعلياً تطابقاً معكوساً). صُمم هذا ليكون رداً فعالاً ضد هجمات قلب البتات (Bit-flipping attacks).

3. المساهمات الرئيسية

1. الدمج أثناء الاستدلال: تقوم الطريقة بدمج العلامات المائية أثناء عملية التوليد دون الحاجة لإعادة تدريب النموذج التوليدي، مما يجعلها قابلة للتطبيق على النماذج سابقة التدريب مثل Stable Diffusion.
2. ضمانات المتانة النظرية:
   • الاضطرابات الجمعية: أثبت المؤلفون أن العلامة المائية متينة ضد الضجيج الجمعي ذي المقدار المحدود ($\|\epsilon\|_\infty < \Delta$).
   • الهجمات الضربيه/الأسية: الطريقة متينة بطبيعتها ضد الاضطرابات الضربيه (مثل تغييرات التباين أو تصحيح غاما) لأن الترتيب النسبي لشدة البكسلات ($x_a$ مقابل $x_b$) يظل محفوظاً تحت هذه العمليات.
3. المتانة الهندسية: من خلال استخدام ثوابت فوريه وفوريه-ميلين، تحقق الطريقة المتانة ضد الدوران والإزاحة، وهي أمور تكسر عادةً مخططات العلامات المائية القائمة على البكسل.
4. الوظيفة المزدوجة: يوفر الإطار حلاً لـ كشف المحتوى (هل هذا مولد بالذكاء الاصطناعي؟) و نسب المحتوى للمستخدم (من الذي ولّده؟) في آن واحد.

4. النتائج التجريبية

تم تقييم الطريقة على نموذج Stable Diffusion v2 باستخدام مجموعة بيانات DiffusionDB (1,000 صورة، علامات مائية بطول 100 بت). تمت مقارنتها مع أحدث الأساليب: Stable Signature، وSSL، وAquaLora، وWOUAF.

• المتانة تجاه الهجمات:
  • هجمات البكسل/الشدة: حققت الطريقة المقترحة متانة شبه مثالية (متوسط خطأ في البتات < 0.003) ضد تغييرات السطوع، والتباين، وتصحيح غاما، والحدة (Sharpening).
  • الهجمات العدائية (Adversarial Attacks): أظهرت مقاومة فائقة لهجمات PGD البيضاء (White-box) (الخطأ: 0.064) مقارنة بالمنافسين (مثلاً، Stable Signature: 0.487).
  • الهجمات الهندسية: حافظت نسخة "STA(3)" الموسعة (باستخدام الثوابت) على معدلات إيجابية حقيقية عالية (TPR > 0.95) ضد الدوران والإزاحة، بينما فشلت طريقة البكسل الأساسية تماماً أمام هذه الهجمات.
• دقة النسب (Attribution Accuracy):
  • حققت الطటة معدل إيجابي حقيقي (TPR) قدره 1.000 في معظم الهجمات في مهمة النسب.
  • حافظت على معدل إيجابي كاذب (FPR) قدره $10^{-6}$، مما يضمن أماناً عالياً ضد النسب الخاطئ.
• المقارنة: تفوقت الطريقة أو عادلت جميع النماذج المرجعية في المتانة مع دعم طول علامة مائية أطول (100 بت مقابل 30–48 بت لدى المنافسين).

5. الأهمية

تمثل هذه الورقة خطوة مهمة للأمام في حوكمة الذكاء الاصطناعي التوليدي. من خلال إثبات أنه يمكن دمج العلامات المائية دون إعادة تدريب وأنها تظل متينة ضد الهجمات الضربيه والهندسية، يقدم إطار عمل "Spread them Apart" حلاً عملياً وقابلاً للنشر من أجل:

• حماية حقوق الطبع والنشر: السماه لمالكي النماذج بتتبع المحتوى المولد وصولاً لمستخدمين محددين، مما يمنع ادعاءات الملكية غير المصرح بها.
• موثوقية المحتوى: توفير آلية موثوقة للكشف عن التزييف العميق والوسائط الاصطناعية المولدة بالذكاء الاصطناعي.
• الامتثال التنظيمي: تقديم معيار تقني يلبي المتطلبات القانونية الناشئة لتسمية وتتبع المحتوى المولد بالذكاء الاصطناعي.

إن الضمان النظري للمتانة ضد الضجيج الجمعي المحدود، والتصميم القائم على المتانة تجاه التغييرات الضربيه، يجعل هذا النهج مرناً بشكل خاص ضد تقنيات التلاعب بالصور الشائعة المستخدمة لإزالة العلامات المائية.