Exploring Specular Reflection Inconsistency for Generalizable Face Forgery Detection

ملخص تقني: استكشاف عدم اتساق الانعكاس المرآتي من أجل كشف تزييف الوجوه القابل للتعميم

بيان المشكلة
أدى التقدم السريع في تقنيات التلاعب بالوجوه المدفوعة بالذكاء الاصطناğı، وخاصة عبر نماذج الانتشار (Diffusion Models)، إلى توليد صور وفيديوهات مزيفة عالية الواقعية. تواجه طرق الكشف الحالية، التي تعتمد على العيوب في النطاق المكاني (مثل عدم الاتساق في الحدود) أو آثار النطاق الترددي (مثل شذوذ فوريه/المويجات)، تراجعاً في العوائد. ومع تحسن النماذج التوليدية، تصبح عدم الاتساقات في الملمس (Texture) أكثر دقة، كما أن أدلة التزييف تتوزع بشكل غير متساوٍ عبر النطاقات الترددية. علاوة على ذلك، تفتقر الميزات المستخرجة مسبقاً إلى التفسير المنطقي الخاص بالمجال. ويفترض المؤلفون أن الطرق الحالية تفشل في معالجة القيود الفيزيائية الأساسية التي تحكم توليد الوجه، وتحديداً صعوبة محاكاة ظواهر الإضاءة المعقدة.

المنهجية
تستند المنهجية المقترحة، شبكة عدم اتساق الانعكاس المرآتي (SRI-Net)، إلى ملاحظة أن السمات الوجهية التي تحكمها قوانين فيزيائية معقدة ومعلمات متعددة يصعب على النماذج التوليدية إعادة إنتاجها بدقة. تسير المنهجية عبر ثلاث مراحل رئيسية:

1. الأساس النظري (نموذج إضاءة فونج - Phong Illumination Model):
   يحلل المؤلفون إضاءة الوجه باستخدام نموذج "فونج"، الذي يفكك الضوء إلى مكونات الإضاءة المحيطة، والضوء المباشر، والانعكاس المرآتي. ويجادلون بأن الانعكاس المرآتي (Specular Reflection) هو المكون الأكثر تحدياً لإعادة الإنتاج لأن صياغته الرياضية تتضمن ست معلمات مقدرة وتظهر سلوكاً غير خطي قوياً (صيغة أسية). وبناءً على ذلك، يُفترض أن الانعكاس المرآتي يحتوي على أكثر أدلة التزييف قابلية للتعميم.

2. استخراج الانعكاس المرآتي عبر نظرية ريتيكس (Retinex Theory):
   لعزل الانعكاس المرآتي، يقوم المؤلفون أولاً بفصل الإضاءة عن الملمس (Texture).

• قصور الطرق الحالية: تعتمد نماذج الوجه ثلاثية الأبعاد (3DMM) التقليدية التي تستخدم نموذج بازل للوجه (BFM) على تقدير الملمس القائم على تحليل المكونات الرئيسية (PCA). هذا النهج الخطي يفشل في التقاط ملامح الهوية الدقيقة، مما يؤدي إلى بقايا (Residuals) تفسد تقدير مكونات الإضاءة، وخاصة الانعكاس المرآتي.
• الحل المقترح: يقدم البحث طريقة لتقدير الملمس قائمة على ريتيكس (تحديداً ريتيكس متعدد المقاييس، MSR). بناءً على النموذج الفيزيائي $I = L \cdot R$ (الصورة = الإضاءة $\times$ الانعكاس)، تستخدم الطريقة التحويل اللوغاريتمي وترشيح غاوس متعدد المقاييس لفصل الإضاءة عن "الألبيدو" (الملمس).
• عملية الاستخراج: يتم استخدام الملمس المستخلص عبر MSR (المسمى $T_{msr}$) كقيد لضبط مكونات الإضاءة المحيطة والمباشرة باستخدام نموذج التوافقيات الكروية (أول 9 دوال أساسية). بعد ذلك، يتم استخراج الانعكاس المرآتي ($SPR$) كباقي حسابي: $SPR = (I - (H\gamma)_{1-9} \cdot T_{msr}) / T_{msr}$. هذه العملية أسرع بكثير (0.29 ثانية مقابل 0.78 ثانية) وأكثر دقة من الطرق القائمة على BFM.

3. بنية شبكة SRI-Net:
   تم تصميم الشبكة لاكتشاف عدم الاتساق ليس فقط في الانعكاس المرآتي نفسه، بل في علاقته مع ملمس الوجه والضوء المباشر.

• فروع المدخلات: تعالج الشبكة الصورة الأصلية، والانعكاس المرآتي المستخلص، والملمس المقدر (MSR)، والضوء المباشر.
• آلية الانتباه المتقاطع ثنائية المرحلة (Two-Stage Cross-Attention):
  • المرحلة الأولى: تلتقط الارتباطات بين ملامح الملمس والضوء المباشر.
  • المرحلة الثانية: تلتقط الارتباطات بين الانعكاس المرآتي وملامح (الملمس + الضوء المباشر) المجمعة.
• الدمج (Fusion): يتم دمج الميزات الناتجة مع ميزات الصورة الأصلية (للحفاظ على العيوب الدقيقة التي قد تتشوه أثناء عملية الاستخراج) من أجل التصنيف النهائي (حقيقي/مزيف).

المساهمات الرئيسية

1. تحديد الانعكاس المرآتي: حدد المؤلفون الانعكاس المرآتي كمؤشر قوي للتزييف نظراً لصيغته متعددة المعلمات المعقدة وصعوبة إعادة إنتاجه بدقة تحت القيود الفيزيائية.
2. تقدير الملمس القائم على ريتيكس: تم تقديم طريقة جديدة، أسرع وأكثر دقة، لتقدير ملمس الوجه، لتحل محل مناهج BFM-PCA التقليدية لتمكين الفصل الدقيق للانعكاس المرآتي.
3. تصميم SRI-Net: تم اقتراح بنية شبكة تستخدم آلية انتباه متقاطع ثنائية المرحلة لنمذجة عدم الاتساقات الفيزيائية بفعالية بين الانعكاس المرآتي، وملمس الوجه، والضوء المباشر.
4. الأداء القابل للتعميم: تثبت التجارب المكثفة أن الطريقة تحقق أداءً فائقاً في كل من مجموعات بيانات التزييف العميق التقليدية ومجموعات البيانات التوليدية الصعبة (بما في ذلك الوجوه المولدة عبر نماذج الانتشار).

النتائج التجريبية
قيمت الورقة البحثية SRI-Net على مجموعات البيانات التقليدية (FaceForensics++, CelebDF v1/v2, DFD) ومجموعات البيانات التوليدية (DF40, Diffusion Facial Forgery/DiFF).

• مجموعات البيانات التقليدية: حققت SRI-Net درجات AUC رائدة على مستوى الإطار (على سبيل المثال، 91.3% على CelebDF-v1، و87.5% على CelebDF-v2، و89.3% على DFD) ودرجات AUC على مستوى الفيديو (95.5% على CelebDF-v2)، متفوقة على طرق مثل FIA-USA وProDet.
• مجموعات البيانات التوليدية: في مجموعة بيانات DF40، رفعت SRI-Net متوسط AUC من 87.8% (أفضل نتيجة سابقة) إلى 90.9%. وفي مجموعة بيانات DiFF (التي تتضمن Stable Diffusion XL وLoRA)، حققت متوسط AUC قدره 86.8%، متفوقة بشكل كبير على Xception وF3-Net وSBI.
• دراسات الاستئصال (Ablation Studies): أكدت التجارب أن الملمس القائم على ريتيكس ($T_{msr}$) أمر بالغ الأهمية للأداء، حيث تفوق على الملامح القائمة على BFM. كما تبين أن آلية الانتباه المتقاطع ثنائية المرحلة أكثر فعالية من مجرد الدمج البسيط أو كتل SE-blocks. كما أظهر النموذج متانة ضد عمليات المعالجة اللاحقة الشائعة (تغبيش غاوس، ضغط JPEG، والضجيج).

الأهمية والادعاءات
تدعي الورقة أنه من خلال نقل نموذج الكشف من تحليل العيوب السطحية إلى تحديد انتهاكات قوانين الإضاءة الفيزيائية، فإن الطريقة المقترحة تقدم حلاً أكثر قابلية للتعميم. ويؤكد المؤلفون أنه نظراً لأن صعوبة إعادة إنتاج الانعكاس المرآتي متجذرة في التعقيد الأساسي للنموذج الفيزيائي (عدم الخطية وعدد المعلمات)، فإن أدلة التزييف الناتجة تكون أقل عرضة لـ "سباق التسلح" مع تحسن النماذج التوليدية. يوضح العمل أن الاستفادة من القيود الفيزيائية الواقعية تسمح بكشف قوي حتى ضد التزييفات المصنعة بالكامل وعالية الجودة الناتجة عن نماذج الانتشار.