NS-Net: Decoupling CLIP Semantic Information through NULL-Space for Generalizable AI-Generated Image Detection

ملخص تقني: NS-Net: فك الارتباط بين المعلومات الدلالية لـ CLIP عبر الفضاء الصفري (NULL-Space) للكشف عن الصور المولدة بالذكاء الاصطناي لتعميم النتائج

بيان المشكلة
أدى التقدم السريع في النماذج التوليدية، بما في ذلك شبكات الخصومة التوليدية (GANs) ونماذج الانتشار (Diffusion Models)، إلى تمكين إنشاء صور واقعية للغاية، مما يشكل مخاطر كبيرة تتعلق بالتضليل والأمن. وبينما تؤدي الكواشف الحالية أداءً جيدًا في حالات التوليد المعروفة، إلا أنها تعاني في التعميم على النماذج غير المعروفة، لا سيما عندما يكون المحتوى الدلالي للصور الحقيقية والمزيفة متوافقًا بشكل وثيق. يحدد المؤلفون قصورًا حرجًا في النهج الحديثة التي تستفيد من نموذج CLIP (التعلم التبايني بين اللغة والصورة): حيث تعيق المعلومات الدلالية عالية المستوى المضمنة في الميزات البصرية لـ CLIP عملية التمييز الفعال. وتحديدًا، عندما تتوافق الصور الحقيقية والمولدة دلاليًا بشكل قوي، فإن تشابك الميزات الدلالية مع ميزات الآثار (artifacts) في التمثيلات البصرية لـ CLIP يؤدي إلى تدهور أداء الكشف.

المنهجية
يقترح البحث NS-Net، وهو إطار عمل جديد للكشف مصمم لفك ارتباط المعلومات الدلالية من الميزات البصرية لـ CLIP لعزل آثار التزوير. تتكون المنهجية من ثلاثة مكونات أساسية:

1. استراتيجية اختيار الرقع (Patch Selection Strategy):
لمعالجة فقدان الآثار دقيقة التفاصيل الناتج عن تغيير الحجم القياسي أو الاقتصاص المركزي (والذي غالبًا ما يتجاهل آثار التزوير خارج مركز الصورة)، قدم المؤلفون استراتيجية اختيار الرقع.

• يتم تقسيم الصور إلى رقع غير متداخلة.
• يتم تحويل كل رقعة إلى المجال الترددي عبر تحويل فوريه السريع (FFT) لحساب الإنتروبيا الطيفية.
• تختار الاستراتيجية الرقع $K$ ذات أعلى إنتروبيا طيفية (المناطق الغنية بالنسيج) والرقع $K$ ذات أدنى إنتروبيا طيفية (المناطق الفقيرة بالنسيج/المنعمة بشكل مفرط).
• يتم خلط هذه الرقع المختارة وإعادة بنائها في صورة مدخلة جديدة. تعمل هذه العملية على الحفاظ على الآثار المتكاملة عالية/منخفضة الإنتروبيا مع تعطيل الدلالات المكانية عالية المستوى، مما يجبر النموذج على التركيز على إشارات التزوير الدقيقة.

2. فك الارتباط عبر الفضاء الصفري (NULL-Space Decoupling):
لإزالة المعلومات الدلالية غير المرتبطة بالمهمة من الميزات البصرية، صاغ المؤلفون "فضاءً صفريًا" (NULL-Space) بناءً على المكونات الدلالية.

• نظرًا لأن CLIP مدرب على المحاذاة بين الصورة والنص، فإن المكون الدلالي للميزة البصرية يكون متسقًا اتجاهيًا مع تمثيل النص المقابل له.
• تستخدم الطريقة نموذج BLIP لتوليد أوصاف نصية للصور واستخراج الميزات النصية ($V$) باستخدام مشفر النص في CLIP.
• يتم حساب مسقط الفضاء الصفري ($P_V$) للميزات النصية باستخدام تفكيك القيم المفردة (SVD). يقوم هذا المسقط بخرائط المتجهات إلى الفضاء الجزئي المتعامد مع المعلومات الدلالية.
• يتم إسقاط الميزات البصرية ($U$) المستخرجة من مشفر الصور في CLIP (الذي تم ضبطه باستخدام LoRA) على هذا الفضاء الصفري ($U P_V$). تعمل هذه العملية بفعالية على كبح المكونات الدلالية المتوافقة مع النمط النصي مع الاحتفاظ بالمعلومات المتعلقة بالآثار والمتعامدة معها.

3. التعلم التبايني والتصنيف (Contrastive Learning and Classification):
بدلاً من الاعتماد فقط على التصنيف الثنائي، والذي قد يؤدي إلى الإفراط في التخصيص (overfitting) لهياكل ميزات محددة، يستخدم NS-Net هدف تعلم تبايني.

• يُستخدم فقدان تبايني ($L_{contrastive}$) كفقدان مهيمن لسحب ميزات الملصقات المتشابهة (حقيقي-حقيقي أو مزيف-مزيف) لتكون أقرب إلى بعضها البعض، ودفع ميزات الملصقات المختلفة بعيدًا عن بعضها البعض.
• يعمل فقدان التصنيف الثنائي الخطي ($L_{BCE}$) كمهمة مساعدة.
• الفقدان النهائي هو مجموع مرجح لكليهما، مما يشجع النموذج على تعلم الاختلافات التوزيعية الجوهرية بين الصور الحقيقية والمولدة.

المساهمات الرئيسية

• تحديد التداخل الدلالي: كان المؤلفون أول من أثبت أن المعلومات الدلالية المضمنة في الميزات البصرية لـ CLIP تؤثر سلبًا على كشف الصور المولدة بالذكاء الاصطناي، خاصة في السيناريوهات المتوافقة دلاليًا.
• فك الارتباط عبر الفضاء الصفري: ابتكروا بناء الفضاء الصفري للميزات الدلالية لإزالة المعلومات الدلالية غير المرتبطة بالمهمة بكفاءة من التمثيلات البصرية، مما يحسن القدرة على التعميم دون الحاجة إلى شبكات فك تشابك معقدة.
• اختيار الرقع: استراتيجية معالجة مسبقة للبيانات تزيد من الحفاظ على الآثار من خلال اختيار الرقع بناءً على تطرفات الإنتروبيا الطيفية، متفوقة على طرق القص وإعادة التشكيل القياسية.
• إطار عمل قابل للتعميم: يساهم دمج هذه المكونات في NS-Net في تحقيق تعميم فائق عبر نماذج توليدية متنوعة.

النتائج التجريبية
تم تقييم الطريقة على معيار عالمي مفتوح يضم صورًا من 40 نموذجًا توليديًا متنوعًا (بما في ذلك ProGAN، ومتغيرات StyleGAN، وSDv1.4/1.5/3، وXL، وGLIDE، وMidjourney، وDALLE2) عبر ثلاث مجموعات بيانات: AIGCDetectBench، وUniversalFakeDetect، وAIGIBench.

• الأداء: يتفوق NS-Net على الطرق الحالية المتطورة (بما في ذلك UnivFD وEffort وVIB-Net). في مجموعة بيانات AIGCDetectBench، حقق متوسط دقة (mAcc.) بنسبة 93.2%، مما يمثل تحسنًا بنسبة 7.4% عن أفضل طريقة سابقة (Effort).
• التعميم عبر النماذج: حافظت الطريقة على دقة عالية في نماذج الانتشار غير المرئية (مثل 100% لـ LDM وDALLE في UniversalFakeDetect) ونماذج GAN، بينما أظهرت الطرق الأخرى انخفاضًا كبيرًا في الأداء في البيانات الخارجة عن النطاق.
• دراسات الاستئصال (Ablation Studies): أدى إزالة فك الارتباط بالفضاء الصفري إلى انخفاض كبير في الأداء (من 93.2% إلى 87.5% في AIGCDetectBench)، مما يؤكد دوره الحاسم. وبالمثل، وفرت استراتيجية اختيار الرقع تحسينات ثابتة مقارنة بطرق تغيير الحجم والقص القياسية.
• القدرة على العمل كإضافة (Plug-and-Play): أدى دمج وحدة فك الارتباط بالفضاء الصفري في الكواشف الموجودة (UnivFD وVIB-Net) إلى تحسين متوسط الدقة لديهما بنسبة 13.9% و2.2% على التوالي، مما يثبت نمطية النهج.
• المتانة: أظهر NS-Net متانة فائقة ضد ضغط JPEG وضبابية غاوس (Gaussian blur) مقارنة بالطرق الأخرى، محافظًا على دقة أعلى تحت تأثير الاضطرابات.

الأهمية والادعاءات
يزعم البحث أن تشابك الميزات الدلالية والآثار في النماذج سابقة التدريب مثل CLIP يعد عائقًا أساسيًا أمام كشف التزوير القابل للتعميم. ومن خلال فك الارتباط الصريح بين هذه المكونات عبر إسقاط الفضاء الصفري، ينقل NS-Net تركيز الكشف من المحتوى (الذي يتغير ويمكن مواءمته) إلى الآثار الخاصة بالمولد. ويؤكد المؤلفون أن هذا النهج يوفر حلاً أكثر قوة لمشكلة الكشف في "العالم المفتوح"، حيث يجب على الكاشف تحديد الصور من نماذج توليدية مجهولة أو مستقبلية. ويشير العمل إلى أن أنظمة الكشف المستقبلية يجب أن تعطي الأولوية لإزالة التحيز الدلالي لالتقاط الاختلافات الجوهرية والدقيقة بين البيانات الحقيقية والاصطناعية بفعالية.