← أحدث الأبحاث
💻 computer science

Synthetic Image Detection with CLIP: Understanding and Assessing Predictive Cues

تتقصى هذه الورقة البحثية قابلية التفسير في الكشف عن الصور الاصطناعية القائمة على نموذج CLIP من خلال تقديم معيار SynthCLIC للكشف عن أن هذه النماذج تعتمد على إشارات عامة مرتبطة بالنصوص تتعلق بصقل الصورة وتكوينها بدلاً من عيوب محددة ناتجة عن المولد، مما يسلط الضل على أوجه فشلها المتكاملة والمتميزة في الوقت ذاته مقارنةً بكواشف الأدلة الجنائية الرقمية.

المؤلفون الأصليون: Marco Willi, Melanie Mathys, Michael Graber

نُشر 2026-08-18
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Marco Willi, Melanie Mathys, Michael Graber

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في السنوات القليلة الماضية، تعلمت الحواسيب كيفية رسم صور تبدو لا يمكن تمييزها عن الصور الفوتوغرافية التي تلتقطها كاميرات البشر. هذه الآلات، المعروفة باسم النماذج التوليدية، يمكنها إنشاء صور لأشخاص، ومناظر طبيعية، وأشياء مقنعة للغاية لدرجة أن أعيننا لم تعد قادرة على معرفة الفرق. لقد أثارت هذه القدرة مجالاً جديداً من البحث مخصصاً لكشف التزييف. لفترة طويلة، اعتقد الخبراء أن هذه التزويرات تترك وراءها بصمات أصابع صغيرة غير مرئية — أخطاء رياضية دقيقة في طريقة بناء الكمبيوتر للصورة — يمكن استخدامها كعلامة دالة. ومع ذلك، مع تحسن الآلات، أصبحت هذه الحيل القديمة أقل موثوقية. ويتساءل خط بحثي جديد سؤالاً مختلفاً: بدلاً من البحث عن الأخطاء المجهرية، هل يمكننا استخدام كمبيوتر يفهم معنى الصورة والكلمات التي تصفها ليعرف ما إذا كانت الصورة حقيقية أم لا؟ يعتمد هذا النهج على نظام تم تدريبه على مليارات من أزواج الصور والنصوص، مما يسمح له بتعلم كيف يبدو الفوتوغراف "الحقيقي" عادةً من حيث الإضاءة، والتكوين، والملمس، بدلاً من مجرد البحث عن الأعطال الرقمية.

قرر فريق من الباحثين في جامعة العلوم التطبيقية (FHNW) في سويسرا استقصاء كيفية اتخاذ هذا النظام القائم على المعنى لقراراته بالضبط. أرادوا معرفة ما إذا كان النظام يقوم ببساطة بحفظ أنواع معينة من الصور المزيفة، أم أنه تعلم فهماً أعمق وأكثر شمولاً للتصوير الفوتوغرافي. وللقيام بذلك، أنشأوا مجموعة جديدة من صور الاختبار تسمى "SynthCLIC". فقد أخذوا صوراً فوتوغرافية حقيقية من أرشيف مهني واستخدموا أحدث الآلات المولدة للصور لإنشاء توائم اصطناعية مثالية لكل منها، مطابقة للمحتوى بدقة شديدة بحيث لا يكمكن التمييز بينهما سوى من خلال طريقة الإنشاء. ثم اختبروا نظام الكشف الخاص بهم على هذه الأزواج، وكذلك على مجموعات بيانات قديمة مليئة بالصور المزيفة المصنوعة بواسطة أنواع مختلفة من التكنولوجيا.

وجد الباحثون أن النظام يعمل بشكل جيد جداً عندما يتم اختباره على نفس نوع الصور التي تم تدريبه عليها، حيث يحدد الصور المزيفة بدقة عالية. ومع ذلك، عندما حاولوا استخدام كاشف تم تدريبه على صور مزيفة قديمة ومنخفضة الجودة لرصد الصور الجديدة عالية الجودة، فشل النظام فشلاً ذريعاً. يشير هذا إلى أن الكمبيوتر لا يبحث عن "بصمة" مزيفة واحدة وعالمية موجودة في جميع الصور الاصطناعية. بدلاً من ذلك، هو يتعلم مجموعة محددة من القواعد بناءً على الصور المعينة التي رآها من قبل. فعندما يتغير أسلوب الصور المزيفة، فإن القواعد التي يستخدمها الكمبيوتر لرصدها لم تعد صالحة.

من خلال تحليل المنطق الداخلي للنظام، اكتشف الفريق ما الذي ينتبه إليه الكمبيوتر بالفعل. وجدوا أنه عندما يقرر النظام أن صورة ما اصطناعية، فغالباً ما يكون ذلك لأن الصورة تبدو مثالية للغاية. يربط الكمبيوتر الصور المزيفة بالتأطير النظيف، والإضاءة الناعمة، والمظهر المصقول والمثالي تقريباً. في المقابل، عندما يقرر النظام أن صورة ما حقيقية، فغالباً ما يكون ذلك لأن الصورة تحمل الصفات الفوضوية وغير المثالية لالتقاط حقيقي: إضاءة غير متساوية قليلاً، ملمس الفيلم، أو نوع الضجيج البصري الذي يحدث عندما تعاني الكاميرا في الظلام. النظام في الأساس يحكم على "حرفة" الصورة. لقد تعلم أن الصور الفوتوغرافية الحقيقية غالباً ما تحمل أدلة على يد بشرية وبيئة مادية، بينما تميل الصور الاصطناعية إلى حمل أدلة على محاولة كمبيوتر لجعل كل شيء يبدو خالياً من العيوب.

كما أظهرت الدراسة أن هذه القرائن لا توجد في جزء واحد فقط من الصورة أو في ميزة محددة. بدلاً من ذلك، يعتمد القرار على مزيج واسع من العديد من التفاصيل الصغيرة، من كيفية سقوط الظلال إلى مدى حدة الحواف. وعندما حاول الباحثون شرح اختيار الكمبيوتر باستخدام قائمة بسيطة من الكلمات، وجدوا أنه لا يمكن لكلمة واحدة أن تفسر القرار. لقد كان مزيجاً من العديد من الإشارات الدقيقة التي تعمل معاً هو ما رجح الكفة. علاوة على ذلك، فإن المزيج المحدد من القرائن يتغير اعتماداً على نوع الصور المزيفة التي تدرب عليها الكمبيوتر. فإذا تم تدريبه على صور مزيفة قديمة ومليئة بالأعطال، فإنه يبحث عن الأخطاء الرقمية. وإذا تم تدريبه على صور مزيفة حديثة وعالية الجودة، فإنه يبحث عن غياب العيوب الطبيعية.

تشير هذه الأبحاث إلى عدم وجود رصاصة سحرية واحدة لكشف الصور المزيفة. فالكاشف الذي يعمل جيداً على نوع واحد من الفن المولد حاسوبياً قد يفشل تماماً في نوع آخر. ويبدو أن النهج الأكثر فعالية هو تدريب أنظمة الكشف على مجموعة واسعة جداً من الصور المزيفة المختلفة، حتى تتمكن من تعلم الأنماط العامة لما يجعل الصورة تبدو اصطناعية، بدلاً من مجرد حفظ أخطاء آلة واحدة. وتخلص الدراسة إلى أنه على الرغم من أن هذه الكواشف القائمة على المعنى هي أدوات قوية، إلا أنها ليست مثالية. فهي تعمل بشكل أفضل عند دمجها مع طرق أخرى تبحث عن البصمات الرقمية منخفضة المستوى التي قد تغفل عنها أنظمة المعنى. وفي نهاية المطاف، فإن المعركة بين الصور الحقيقية والمزيفة ليست مجرد لعبة بسيطة من الغميضة بقرينة واحدة؛ بل هي صراع معقد تتغير قواعده مع تطور التكنولوجيا.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →