ForgeryVCR: Visual-Centric Reasoning via Efficient Forensic Tools in MLLMs for Image Forgery Detection and Localization

تخيل أنك محقق يحاول حل جريمة، لكن الخيط الوحيد الذي تملكه هو صورة ضبابية ومنخفضة الدقة للمشتبه به. إذا حاولت وصف وجه المشتبه به باستخدام الكلمات فقط، فقد تخطئ في التقدير، وتخترع ملامح ليست موجودة لمجرد ملء الفراغات. هذا هو بالضبط ما يواجهه العلماء عند محاولة رصد الصور المزيفة التي أنشأتها أجهزة الكمبيوتر. في عالم الأدلة الجنائية الرقمية، يعني "التزوير" أن شخصًا ما قام بتعديل صورة رقميًا لجعلها تبتر تبدو حقيقية بينما هي ليست كذلك. لفترة طويلة، كانت أجهزة الكمبيوتر تلعب دور المحقق، لكنها كانت تشبه "الصناديق السوداء": كان بإمكانها القول "هذا مزيف"، لكنها لم تكن تستطيع شرح لماذا، وغالبًا ما كانت ترتبك أمام الحيل الجديدة.

مؤخرًا، تم تقديم نوع جديد من الأدمغة الحاسوبية فائقة الذكاء تسمى "النماذج اللغوية الكبيرة متعددة الوسائط" (MLLM). فكر في هذه النماذج كأنها محققون يمكنهم رؤية الصور وقراءة النصوص في آن واحد. إنهم بارعون في فهم القصص ووصف المشاهد. ومع ذلك، عندما يتعلق الأمر برصد الأدلة الصغيرة غير المرئية في صورة ما — مثل تغير طفيف في كيفية سقوط الضوء على الظل أو نمط غريب في البكسلات — فإنهم يميلون إلى "الهلوسة". وهذا يعني أنهم يبدأون في تأليف قصص عما يرونه، واصفين بثقة أدلة مزيفة لا وجود لها في الواقع، لأنهم يحاولون فرض مشكلة بصرية على حل يعتمد على الكلمات. إنهم يشبهون المحقق الذي، بدلًا من النظر إلى بصمات الأصابع، يبدأ في كتابة قصة درامية طويلة عن شخصية المشتبه به، مما يؤدي غالبًا إلى استنتاج خاطئ.

يقدم هذا البحث محققًا جديدًا يدعى ForgeryVCR. بدلاً من إجبار الكمبيوتر على كتابة قصة عن الأدلة، يمنح ForgeryVCR الكمبيوتر "صندوق أدوات جنائية" خاصًا ويعلمه كيف ينظر إلى الأدلة مباشرة. وجد الباحثون أنه عندما يُسمح للكمبيوتر باستخدام الأدوات لتحويل الأدلة غير المرئية إلى صور مرئية، فإنه يصبح محققًا أفضل بكثير. لقد علموا النموذج التوقف عن التخمين والبدء في التحقيق، باستخدام استراتيجية تسمى "الاستدلال المرتكز على الرؤية" (Visual-Centric Reasoning). والنتيجة هي نظام يصعب خداعه للغاية، ويمكنه تحديد مكان التلاعب بالصورة بدقة، ولا يتشتت بالبدء في تأليف قصص مزيفة.

المشكلة: المحقق الذي يتحدث كثيرًا

تخيل أنك تنظر إلى صورة لقطة تجلس على سياج. يمكن للشخص العادي أن يعرف ما إذا كانت القطة قد تم تعديلها عبر "الفوتوشوب" من خلال النظر إلى حواف فرائها أو كيفية سقوط الظلال. لكن الكمبيوتر الذي يعتمد على "الاستدلال القائم على النص" يحاول وصف القطة بالكلمات أولاً. قد يقول: "تبدو القطة مريبة لأن لديها هالة غامضة"، حتى لو كانت القطة حقيقية تمامًا. يجادل البحث بأن هذا النهج معيب لأن اللغة فضفاضة للغاية لوصف الأعطال الدقيقة على مستوى البكسل التي تكشف الصورة المزيفة.

يوضح المؤلفون أن نماذج الذكاء الاصطناعي الحالية تعاني غالبًا من "الهلوسة الدلالية". وهذا يحدث عندما يصف الذكاء الاصطناعي منطقة مزيفة بثقة على أنها حقيقية، أو العكس، لأنه يعتمد على تدريبه اللغوي بدلاً من البيانات المرئية الفعلية. إنه يشبه المحقق الذي يتجاهل بصمة الإصبع على الزجاج وبدلًا من ذلك يخمن هوية المجرم بناءً على لونه المفضل. يستبعد البحث صراحةً فكرة أن مجرد إضافة المزيد من الأوصاف النصية أو "سلسلة الأفكار" (حيث يتحدث الذكاء الاصطناعي عبر خطواته بالكلمات) سيحل المشكلة. في الواقع، وجدوا أن إضافة النصوص غالبًا ما تجعل المشكلة أسوأ، مما يؤدي إلى المزيد من الأخطاء.

الحل: محقق مع حقيبة أدوات سحرية

لإصلاح ذلك، بنى المؤلفون ForgeryVCR. بدلاً من طلب كتابة قصة من الذكاء الاصطناعي، أعطوه مجموعة من الأدوات الرقمية التي تعمل مثل العدسة المكبرة، والضوء فوق البنفسجي، وماسح بصمات الأصابع. هذه الأدوات هي:

• تحليل مستوى الخطأ (ELA): تبرز هذه الأداة المناطق التي تم ضغطها بشكل مختلف، مثل العثور على رقعة من ورق الحائط تم لصقها فوق أخرى.
• تحويل فوريه السريع (FFT): ينظر إلى أنماط التردد في الصورة لرصد الآثار الشبيهة بالشبكة التي تظهر عند تغيير حجم الصورة أو نسخها.
• بصمة الضوضاء بلس (NPP): يتحقق من "الضوضاء" أو الحبيبات في الصورة ليرى ما إذا كانت بصمة مستشعر الكاميرا متسقة عبر الصورة بأكملها.
• التكبير (Zoom-In): يسمح للذكاء الاصطناعي بإلقاء نظرة فاحصة على بقعة مشبوهة محددة دون فقدان أي تفاصيل.

الابتكار الرئيسي هو الاستدلال المرتكز على الرؤية. بدلاً من أن يقول الذكاء الاصطناعي: "أعتقد أن هذا الجزء مزيف لأن الإضاءة غريبة"، فإنه يقوم فعليًا باستدعاء أداة ELA، ويرى بقعة حمراء زاهية على الشاشة حيث يختلف الضغط، ثم يقول: "أرى بقعة حمراء هنا، لذا فهذا مزيف". القرار مبني على ما تظهره الأداة، وليس على ما يعتقد الذكاء الاصطناعي أنه يجب أن يراه.

كيف علموا الذكاء الاصطناعي: "تعلم الأدوات الاستراتيجي"

لا يمكنك مجرد إعطاء محقق صندوق أدوات وتوقع معرفته متى يستخدمه. إذا استخدم الضوء فوق البنفسجي في كل صورة، فسوف يضيع الوقت ويصاب بالارتباك. طور المؤلفون طريقة تدريب خاصة تسمى تعلم الأدوات الاستراتيجي لتعليم الذكاء الاصطناعي متى يستخدم أي أداة.

حدث هذا التدريب في مرحلتين:

1. الضبط الدقيق الخاضع للإشراف (SFT): عرضوا على الذكاء الاصطناعي أمثلة كثيرة لصور مزيفة وحقيقية. استخدموا طريقة "مدفوعة بالربح"، مما يعني أنهم لم يسمحوا للذكاء الاصطناعي باستخدام الأداة إلا إذا ساعدت تلك الأداة بالفعل في إيجاد الإجابة. إذا لم تضف الأداة أي معلومات جديدة، يتعلم الذكاء الاصطناعي تخطيها. منع هذا الذكاء الاصطناعي من استخدام الأدوات دون داعٍ.
2. التعلم التعزيزي (RL): هذا يشبه لعبة فيديو حيث يحصل الذكاء الاصطناعي على نقاط عندما يكون مصيبًا ويخسر نقاطًا عندما يضيع الوقت. تم منح الذكاء الاصطناعي "مكافأة فائدة الأداة". إذا استخدم أداة ووجد البقعة المزيفة، يحصل على مكافأة كبيرة. وإذا استخدم أداة ولم يجد شيئًا، أو إذا استخدم أداة على صورة حقيقية عندما لم يكن ذلك مطلوبًا، فإنه يتلقى عقوبة. بمرور الوقت، تعلم الذكاء الاصطناعي أن يكون محققًا استراتيجيًا: حيث يستدعي الأدوات فقط عندما يكون ذلك ضروريًا حقًا، مما يجعله أسرع وأكثر دقة.

النتائج: أذكى، أسرع، وأكثر دقة

اختبر المؤلفون ForgeryVCR على مجموعة متنوعة هائلة من الصور المزيفة، من عمليات النسخ واللصق البسيطة إلى التعديلات المعقدة التي أنشأها الذكاء الاصطناعي. كانت النتائج مبهرة.

• كشف أفضل: حقق ForgeryVCR أفضل أداء (State-of-the-Art) في اكتشاف ما إذا كانت الصورة حقيقية أم مزيفة، متفوقًا على جميع الشبكات المتخصصة ونماذج الذكاء الاصطناعي الأخرى.
• تحديد موقع أفضل: لم يكتفِ بالقول "هذا مزيف"؛ بل استطاع رسم مربع حول الجزء المزيف بدقة عالية. وعندما دمجوا ذلك مع أداة التجزئة (SAM2)، استطاع حتى رسم خط خارفي مثالي للكائن المزيف.
• هلوسة أقل: من خلال إزالة الاستدلال القائم على النص، ارتكب النموذج أخطاءً أقل بكثير في الحالات التي اخترع فيها أدلة مزيفة. في الاختبارات، صحح حوالي 35% من الأخطاء التي ارتكبها الإصدار القائم على النص.
• الكفاءة: نظرًا لأن الذكاء الاصطناعي تعلم تخطي الأدوات عندما لا تكون هناك حاجة إليها، فإنه لم يضع وقته في تحليل كل صورة بكل أداة. لقد أصبح محققًا ذكيًا يعرف متى يتوقف عن البحث.

لماذا يهم هذا؟

يشير البحث إلى أنه بالنسبة للمهام التي تتطلب اكتشاف تفاصيل صغيرة وغير مرئية، فإن إجبار الكمبيوتر على "التفكير" بالكلمات هو فكرة سيئة. بدلاً من ذلك، فإن إعطاءه أدوات لتحويل البيانات غير المرئية إلى صور مرئية يعمل بشكل أفضل بكثير. يظهر ForgeryVCR أنه من خلال الجمع بين قوة نماذج الذكاء الاصطناعي الكبيرة والأدوات الجنائية المتخصصة وتعليمها أن تكون استراتيجية، يمكننا بناء أنظمة يصعب خداعها للغاية. هذه خطوة حاسمة للأمام في حمايتنا من سيل الصور المزيفة فائقة الواقعية التي تزداد صعوبة في رصدها يومًا بعد يوم. ويخلص المؤلفون إلى أن هذا النهج "المرتكز على الرؤية" ليس مجرد تحسين بسيط، بل هو تحول ضروري في كيفية بناء الذكاء الاصطناعي للأدلة الجنائية الرقمية.