Semantic-Aware Reconstruction Error for Detecting AI-Generated Images

1. بيان المشكلة

أدى التقدم السريع في تقنيات توليد الصور بالذكاء الاصطناعي (مثل نماذج GANs ونماذج الانتشار - Diffusion Models) إلى إنشاء صور اصطناعية واقعية للغاية، مما أثار مخاوف بشأن التضليل وإساءة الاستخدام. وبينما أظهرت طرق الكشف الحالية نتائج واعدة، إلا أنها تعاني من قصور حرج وهو: ضعف التعميم على النماذج خارج نطاق التوزيع (OOD).

• القصور الحالي: تعتمد معظم أدوات الكشف على تحديد آثار بصرية محددة أو "بصمات" تتركها نماذج التدريب. هذه الآثار خاصة بنموذج معين؛ فعندما يواجه كاشف تم تدريبه على النموذج (A) صوراً من النموذج (B) غير المرئي له، يتدهور الأداء بشكل كبير.
• الفجوة: هناك حاجة إلى آلية كشف تعتمد على الخصائص الجوهرية للصور الحقيقية مقابل المزيفة بدلاً من الاعتماد على آثار توليدية محددة، مما يضمن القوة والمتانة عبر مختلف المولدات غير المرئية.

2. المنهجية: خطأ إعادة البناء المدرك دلالياً (SARE)

يقترح المؤلفون SARE، وهو تمثيل مبتكر يقيس التباين الدلالي بين صورة مدخلة وإعادة بنائها بتوجيه من وصف نصي للصورة. الفرضية الأساسية هي أن الصور الحقيقية تمر بتحولات دلالية كبيرة أثناء عملية إعادة البناء الموجهة بالوصف، بينما لا يحدث ذلك في الصور المزيفة.

الفرضية الجوهرية

• الصور الحقيقية: تحتوي على تفاصيل بصرية معقدة ودقيقة لا يمكن للأوصاف النصية الآلية القصيرة استيعابها بالكامل. عندما يحاول نموذج انتشار إعادة بناء الصورة بناءً على الوصف فقط، فإنه يفتقد هذه التفاصيل، مما يؤدي إلى تحول دلالي ملحوظ (فرق كبير بين الصورة الأصلية والمعاد بناؤها).
• الصور المزيفة: يتم توليدها عادةً مباشرة من مطالبات نصية (Prompts). وبناءً على ذلك، يتوافق محتوى الصورة بشكل وثيق مع الوصف. وعند إعادة بنائها باستخدام نفس الوصف، تظل المخرجات متطابقة تقريباً مع المدخلات، مما يؤدي إلى تحول دلالي ضئيل.

مسار عمل SARE

يتكون الإطار من ثلاث مراحل رئيسية:

1. وصف الصورة (Image Captioning):
   • يقوم نموذج وصف صور مدرب مسبقاً (مثل BLIP) بتوليد وصف نصي وصفي ($C$) للصورة المدخلة ($x$).
2. إعادة بناء الصورة الموجهة بالوصف:
   • يتم تشفير الصورة المدخلة إلى فضاء كامن ($z_0$).
   • تقوم عملية انتشار أمامية بإضافة ضجيج إلى $z_0$ لعدد $T$ من الخطوات.
   • تقوم عملية عكسية (باستخدام Stable Diffusion مع توجيه خالي من التصنيف - Classifier-Free Guidance) بإعادة بناء الصورة ($\hat{x}$) مشروطة بالوصف $C$.
   • من الضروري تطبيق التوجيه الخالي من التصنيف (CFG) لفرض الالتزام بالمحتوى الدلالي للوصف صراحةً، مما يستحث التحولات الدلالية اللازمة.
3. استخراج ودمج SARE:
   • يتم حساب خطأ إعادة البناء المدرك دلالياً (SARE) كفرق مطلق على مستوى البكسل: $SARE = |x - \hat{x}|$.
   • دمج الميزات: لا تُستخدم خريطة SARE بمعزل عن غيرها. حيث يقوم نموذج الانتباه المتقاطع (Cross-Attention Module) بدمج ميزات SARE ($f_s$) مع ميزات الصورة الأصلية ($f_x$).
     • تعمل ميزات الصورة كـ استعلامات (Queries).
     • تعمل ميزات SARE كـ مفاتيح (Keys) وقيم (Values).
     • يسمح هذا للنموذب الأساسي للكشف بتكييف وزن المعلومات الدلالية بشكل تكيفي عند اتخاذ قرار التصنيف النهائي.

3. المساهمات الرئيسية

1. تمثيل مبتكر (SARE): تقديم ميزة كشف تعتمد على الفرق الدلالي بين الصورة وإعادة بنائها الموجهة بالوصف، مما ينقل التركيز من الآثار الخاصة بالنماذج إلى العلاقات الجوهرية بين الصورة والوصف.
2. إطار إعادة البناء الموجه بالوصف: اقتراح مسار محدد يستخدم Stable Diffusion مع CFG لاستحثاث تحولات دلالية في الصور الحقيقية مع الحفاظ على الصور المزيفة، مما يخلق إشارة تمييزية.
3. دمج الانتباه المتقاطع: تصميم آلية لدمج خريطة SARE بفعالية في هيكل الكشف، مما يسمح للنموذج بتعلم كيفية استخدام التباينات الدلالية للتصنيف.
4. تعميم بمستوى رائد (State-of-the-Art): إثبات أن SARE يتفوق بشكل كبير على النماذج المرجعية الحالية في سيناريوهات خارج نطاق التوزيع (OOD)، مما يثبت المتانة ضد النماذج التوليدية غير المرئية (سواء كانت نماذج انتشار أو غيرها).

4. النتالئج التجريبية

تم تقييم الطريقة باستخدام مجموعتي بيانات GenImage و ForenSynths، مع التدريب على مجموعة فرعية واحدة (SDv1.4) والاختبار على المجموعات الأخرى.

• معيار GenImage (داخل النطاق وخارجه):
  • الدقة: حقق SARE متوسط دقة بلغ 93.17%، متفوقاً على أفضل النماذج السابقة (DRCT بنسبة 88.81%) وعلى النماذج المرجعية الأخرى مثل DIRE و UnivFD.
  • المساحة تحت المنحنى (AUC): حقق 98.15%، وهي نسبة أعلى بكثير من المنافسين.
  • الأداء خارج النطاق (OOD): حافظ SARE على أداء عالٍ عبر النماذج غير المرئية (ADM, BigGAN, GLIDE, VQDM)، بينما انخفض أداء الطرق التي تعتمد على الآثار (مثل DIRE) بشكل كبير (على سبيل المثال، انخفض DIRE إلى حوالي 50% في حالة BigGAN).
• التقييم عبر مجموعات البيانات (ForenSynths):
  • تم التدريب على GenImage والاختبار على ForenSynths (الذي يحتوي على نماذج GAN مثل ProGAN و StyleGAN، إلخ).
  • حقق SARE متوسط دقة قدره 71.47% و AUC قدره 84.24%، وهو الأعلى بين جميع الطرق المختبرة، مما يؤكد قدرته على التعميم عبر نماذج التوليد المختلفة (GANs مقابل Diffusion).
• المتانة:
  • أظهر SARE قدرة فائقة على الصمود أمام اضطرابات ما بعد المعالجة، بما في ذلك ضغط JPEG (بجودة 70-90) وتغيير حجم الصورة، محافظاً على دقة أعلى من النماذج المرجعية.
• دراسات الاستئصال (Ablation Studies):
  • طول الوصف: ظل الأداء مستقراً بغض النظر عما إذا كانت الأوصاف قصيرة (BLIP) أو طويلة (LLaVA-NeXT).
  • نماذج إعادة البناء: عمل SARE بفعالية مع نماذج إعادة بناء مختلفة (SDv1, SDXL, SwiftEdit).
  • آلية الدمج: تفوق دمج الانتباه المتقاطع على مجرد الربط (Concatenation) أو تعديل FiLM.

5. الأهمية والأثر

• تحول في النموذج (Paradigm Shift): ينقل هذا البحث المجال بعيداً عن "البحث عن الآثار" (وهو أمر هش أمام النماذج الجديدة) نحو "التحقق من الاتساق الدلالي". فهو يستغل القصور المتأصل في اللغة في وصف الواقع البصري المعقد كإشارة للكشف.
• الانتشار العملي: تقدم الطريقة حلاً قوياً للسيناريوهات الواقعية حيث يكون مصدر الصورة المزيفة مجهولاً أو حيث يجب أن يتعامل الكاشف مع تدفق مستمر من النماذج التوليدية الجديدة.
• مقايضة الكفاءة: رغم أن خطوات الوصف وإعادة البناء تزيد من العبء الحسابي مقارنة بالمصنفات البسيطة، إلا أن المؤلفين أظهروا أن استخدام نماذج إعادة بناء فعالة (مثل SwiftEdit) يمكن أن يقلل وقت الاستدلال إلى حوالي 0.8 ثانية لكل صورة، مما يجعل المقايضة بين الأداء والسرعة مقبولة لعمليات الكشف عالية الأهمية.

في الختام، يوفر SARE نهجاً ذا أساس نظري ومتفوق تجريبياً لكشف الصور المولدة بالذكاء الاصطناعي من خلال استغلال الانفصال الجوهري بين تعقيد المرئيات في العالم الحقيقي وبساطة أوصافها النصية.