💻 computer science

Attribution as Retrieval: Model-Agnostic AI-Generated Image Attribution

تقدم هذه الورقة البحثية LIDA، وهو إطار عمل غير مرتبط بنموذج محدد يعيد صياغة عملية إسناد الصور المولدة بواسطة الذكاء الاصطناعي كمسألة استرجاع مثيل باستخدام بصمات منخفضة البت وتدريب مسبق غير خاضع للإشراف لتحقيق أداء رائد في إعدادات الصفر والتدريب القليل دون الحاجة إلى الوصول إلى النماذج التوليدية الأصلية.

المؤلفون الأصليون: Hongsong Wang, Renxi Cheng, Chaolei Han, Jie Gui

نُشر 2026-03-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Hongsong Wang, Renxi Cheng, Chaolei Han, Jie Gui

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

تخيل أن الإنترنت عبارة عن معرض فني ضخم وصاخب. في الماضي، كان لكل لوحة توقيع واضح من الفنان. أما الآن، ومع صعود الذكاء الاصطناٍعي، يمكن لأي شخص أن يدخل ويسأل روبوتًا أن يرسم له لوحة فنية رائعة. ما المشكلة؟ هذه اللوحات التي يرسمها الروبوت تبدو حقيقية للغاية لدرجة أنه من المستحيل معرفة من (أو ما) الذي صنعها بمجرد النظر إلى اللوحة.

تقدم هذه الورقة أداة تحقيق جديدة تسمى LIDA (نسب Attribution للصور المزيفة القائمة على مستويات البت المنخفضة - Low-bIt-plane-based Deepfake Attribution) لحل هذا الغموض. إليك كيف تعمل، مقسمة إلى مفاهيم بسيطة:

١. الطريقة القديمة مقابل الطريقة الجديدة

الطريقة القديمة (نهج "الفصل الدراسي"):
تخيل أنك تحاول تحديد هوية مجرم من خلال حفظ وجهه في فصل دراسي. أنت تدرس صور ١٠ مجرمين معروفين. إذا دخل مجرم جديد لم تره من قبل، ستكون عالقًا. لا يمكنك التعرف عليه لأنه لم يكن موجودًا في فصلك.

بالمصطلحات التقنية: كانت أدوات الذكاء الاصطناعي القديمة تُدرب على نماذج محددة (مثل Midjourney أو Stable Diffusion). إذا ظهر نموذج ذكاء اصطناعي جديد تمامًا غدًا، فستفشل الأدوات القديمة لأنها لم "تدرس" هذا النموذج.

الطريقة الجديدة (نهج "المكتبة"):
لقد غيرت LIDA قواعد اللعبة. بد instead من محاولة حفظ الوجوه، تعامل LIDA مع عملية تحديد المصدر كأنها بحث في مكتبة.

لديك "مكتبة مسجلة" تحتوي فقط على عدد قليل من الصور العينات من كل مولد صور ذكاء اصطناعي معروف.
عندما تصل صورة مشبوهة، لا تسأل LIDA: "هل هذه من النموذج (أ) أم النموذج (ب)؟"
بل تسأل: "أي كتاب في المكتبة يشبه هذا أكثر؟"
إذا كانت الصورة الجديدة تشبه بنسبة ٩٥٪ العينات من "Midjourney" الموجودة في المكتبة، فهي من Midៅيدج. وإذا ظهر نموذج ذكاء اصطناعي جديد تمامًا، يمكنك ببساطة وضع عينة واحدة من عمله في المكتبة، وستعرف LIDA فورًا كيف تجده في المرة القادنة. لا حاجة لإعادة التدريب!

٢. السلاح السري: "بصمات البت المنخفضة"

كيف تعرف LIDA أي كتاب في المكتبة تختار؟ إنها لا تنظر إلى السماء الجميلة أو النسر في الصورة (المحتوى). بل تنظر إلى الغبار الرقمي الموجود تحتها.

التشبيه: تخيل أن صورة عالية الدقة هي عبارة عن فسيفساء ملونة ضخمة. إذا اقتربت كثيرًا، سترى البلاطات الفردية.
الخدعة: نماذج الذكاء الاصطناعي تشبه عمال تركيب البلاط غير المهرة. حتى وإن صنعوا صورة جميلة، فإنهم يتركون خدوشًا أو أنماطًا صغيرة غير مرئية في الطبقات الأخيرة من البلاطات (الـ "low bits").
العملية: تقوم LIDA بتجريد الصورة من كل الألوان والصورة الجميلة، تاركةً فقط هذه الخدوش غير المرئية. إنها تحول الصورة إلى "بصمة" محببة باللونين الأبيض والأسود.
لماذا تنجح: كل نموذج ذكاء اصطناعي يترك نمطًا مختلفًا من الخدوش. خدوش Stable Diffusion تختلف عن خدوش Midjourney. ومن خلال النظر فقط إلى هذه الخدوش، تستطيع LADA التمييز بينها حتى لو كانت الصور تبدو متطابقة للعين البشرية.

٣. التدريب ذو الخطوتين (نظام "المتدرب")

تتعلم LIDA في مرحلتين، مثل محقق يدرب متدربًا لديه:

الخطوة ١: العام (التدريب المسبق غير الخاضع للإشراف):
يدرس المتدرب ملايين الصور الحقيقية (من الطبيعة، البشر، إلخ) ويتعلم كيفية رصد "الضجيج الطبيعي" في العالم الحقيقي. هذا يمنحه أساسًا قويًا.
الخطوة ٢: المتخصص (التكيف ببيانات قليلة):
الآن، يحتاج المتدرب فقط لرؤية مثال واحد أو خمسة أمثلة لصورة مزيفة ليتعلم "التوقيع" الخاص بذلك الذكاء الاصطناعي. الأمر يشبه إظهار صورة واحدة لمشتبه به جديد لمحقق؛ سيعرف فورًا ما الذي يجب أن يبحث عنه في المرة القادمة.

٤. لماذا يهم هذا؟

إنها مواكبة للمستقبل: بمجرد إصدار أداة ذكاء اصطناعي جديدة، لا تحتاج للانتظار لشهور لتدريب كاشف جديد. ما عليك سوى إضافة بعض العينات إلى المكتبة، وسيعمل النظام فورًا.
إنها سريعة: نظرًا لأنها تجرد الصورة من الألوان المعقدة وتركز على العمليات الرياضية البسيطة، فإنها تعمل بسرعة فائقة.
إنها قوية: حتى لو حاول شخص ما تمويه الصورة أو ضغطها (مثل إرسالها عبر واتساب)، فإن "الخدوش الرقمية" (البصمات) عادة ما تظل باقية، ويمكن لـ LIDA لاكتشاف الجاني رغم ذلك.

الملخص

فكر في LIDA كأمين مكتبة ذكي للغاية لا يهتم بما تدور حوله القصة. بدلاً من ذلك، ينظر إلى ملمس الورق وأنماط الحبر. إذا بدأ مؤلف جديد في الكتابة، يحتاج أمين المكتبة فقط لرؤية صفحة واحدة ليعرف بالضبط أي "ملمس حبر" ينتمي إليه. وهذا يجعل من المستحيل تقريبًا على التزييف الناتج عن الذكاء الاصطناعي الاختباء في وضح النهار.

إليك ملخص تقني مفصل لورقة البحث بعنوان "Attribution as Retrieval: Model-Agnostic AI-Generated Image Attribution" (LIDA).

1. بيان المشكلة

أدى التقدم السريع في المحتوى المولد بواسطة الذكاء الاصطناعي (AIGC) إلى خلق حاجة ماسة لـ تحديد مصدر الصور المولدة بالذكاء الاصطناعي (AI-generated image attribution)—وهي القدرة على تحديد النموذج التوليدي المحدد (مثل Stable Diffusion، أو Midjourney، أو BigGAN) الذي أنشأ صورة معينة.

تواجه الأساليب الحالية قيوداً كبيرة:

الاعتماد على النموذج (Model-Dependency): تتطلب الأساليب الحالية غالباً الوصول إلى المعلمات الداخلية للنموذج التوليدي أو بيانات التدريب الخاصة به، وهو أمر نادراً ما يتوفر بالنسبة للنماذج المملوكة أو مغلقة المصدر.
قيود المجموعة المغلقة (Closed-Set Limitations): تعامل معظم أساليب تحديد المصدر المشكلة كـ مهمة تصنيف مدربة على مجموعة ثابتة من المولدات المعروفة. وهي تفشل في التعميم على النماذج الجديدة، أو غير المرئية، أو سريعة التطور (سيناريوهات المجموعة المفتوحة - Open-Set).
مشكلات القابلية للتوسع (Scalability Issues): إعادة تدريب مصنف في كل مرة يظهر فيها مولد جديد هو أمر مكلف حاسوبياً وغير عملي.
قيود العلامات المائية (Watermarking Constraints): تتطلب تقنيات العلامات المائية التوليدية تعديل عملية التوليد، وهو أمر غير ممكن عند تحليل الصور الموجودة من مصادر خارجية.

2. المنهجية: إطار عمل LIDA

يقترح المؤلفون LIDA (Low-bIt-plane-based Deepfake Attribution)، وهو إطار عمل مستقل عن النموذج (model-agnostic) يعيد صياغة تحديد مصدر الصورة كـ مشكلة استرجاع مثيل (instance retrieval problem) بدلاً من مشكلة تصنيف. يتكون خط الإنتاج من ثلاث مراحل:

أ. توليد بصمة المستويات ذات البتات المنخفضة (Low-Bit Fingerprint Generation)

بدلاً من استخدام صور RGB الخام، يستخرج LIDA بصمات توليدية ذات بتات منخفضة.

المفهوم: تحتوي الصور المولدة بالذكاء الاصطناعي على آثار (artifacts) دقيقة خاصة بكل نموذج (أنماط ضوضاء) تختلف عن الصور الطبيعية. وتكون هذه الآثار أكثر وضوحاً في مستويات البت الأقل أهمية (LSB).
العملية: تقوم الطريقة بتفكيك قنوات RGB إلى مستويات بت (bit planes). حيث تجمع مستويات البت الثلاثة الأقل أهمية ( $k=0, 1, 2$ ) لكل قناة وتطبق استراتيجية عتبة (thresholding) لإنشاء صورة "بصمة" ثنائية.
الميزة: تتخلص هذه البصمات من المحتوى الدلالي (موضوع الصورة الفعلي) وتحتفظ فقط بأنماط الضوضاء الهيكلية الفريدة للمولد، مما يجعلها مميزة للغاية لتحديد المصدر.

ب. التدريب المسبق غير الخاضع للإشراف (Unsupervised Pre-Training)

لضمان قدرة مشفر الميزات على التعميم بشكل جيد، يخضع النموذج لتدريب مسبق غير خاضع للإشراف على مجموعة بيانات ضخمة من الصور الحقيقية (ImageNet).

البنية (Architecture): تُستخدم شبكة ResNet-50 خفيفة الوزن كمشفر لتحديد المصدر. وقد تمت إزالة عملية خفض العينات (downsampling) في الطبقات الدنيا للحفاظ على التفاصيل المكانية عالية الدقة الضرورية للتحليل الجنائي.
المهمة المساعدة (Pretext Task): يتم تدريب الشبكة باستخدام مهمة جانبية (مثل تصنيف الصور على مدخلات البصمة) باستخدام دالة فقدان التقاطع التقاطعي القياسية ( $L_P$ ). وهذا يجبر الشبكة على تعلم هياكل الضوضاء الجوهرية الشائعة في الصور الحقيقية، مما يوفر تهيئة قوية.

ج. التكيف مع تحديد المصدر بلقطات قليلة (Few-Shot Attribution Adaptation)

هذا هو الابتكار الجوهل الذي يسمح للنظام بالتعامل مع سيناريوهات المجموعة المفتوحة (المولدات الجديدة/غير المرئية).

قاعدة البيانات المسجلة: يتم الاحتفاظ بقاعدة بيانات تحتوي فقط على عدد قليل (1-10) من الصور النموذجية لكل مولد (سواء كانت حقيقية أو مزيفة).
نموذج الاسترجاع (Retrieval Paradigm): عندما تصل صورة استعلام، يتم تحويلها إلى بصمة، وتمر عبر المشفر، وتتم مقارنتها عبر تشابه جيب التمام (cosine similarity) ضد قاعدة البيانات. يتم تحديد المصدر بناءً على أقرب الجيران المسترجعة ذات التصنيف الأعلى.
دوال الفقدان (Loss Functions): لتكييف النموذج المدرب مسبقاً مع قاعدة البيانات المحددة دون تدمير مساحة الميزات المتعلمة، يتجنب المؤلفون دالة التقاطع التقاطعي القياسية. بدلاً من ذلك، يستخدمون:
1. فقدان المركز (Center Loss - $L_A$ ): يشجع ميزات المولد نفسه على التكتل حول مركز فئة محدد، مما يضمن تماسكاً داخل الفئة الواحدة.
2. فقدان التباين للنموذج الأولي الحقيقي (Real-Prototype Contrastive Loss - $L_D$ ): يسحب ميزات الصور الحقيقية لتقترب من "النموذج الأولي الحقيقي" (متوسط ميزات الصور الحقيقية) ويدفع ميزات الصور المزيفة بعيداً. هذا يعزز الفصل بين النطاقات الحقيقية والمزيفة.
إجمالي الفقدان: $L = L_A + \lambda L_D$ .

3. المساهمات الرئيسية

تحول نموذجي جديد: تصيغ الورقة تحديد مصدر الصور المولدة بالذكاء الاصطناعي كـ مشكلة استرجاع مثيل. وهذا يلغي الحاجة إلى إعادة التدريب عند ظهور مولدات جديدة؛ حيث يكفي ببساطة إضافة بعض العينات إلى قاعدة البيانات.
بصمة مستويات البت (Bit-Plane Fingerprinting): تقديم البصمات التوليدية ذات البتات المنخفضة كنمط مدخلات. وهذا يعزل بفعالية ضوضاء المولد المحددة عن المحتوى الدلالي، مما يتفوق بشكل كبير على مدخلات RGB الخام.
مستقل عن النموذج وذو لقطات قليلة (Model-Agnostic & Few-Shot): لا يتطلب إطار العمل أي وصول إلى بنية النموذج التوليدي أو أوزانه. ويحقق دقة عالية باستخدام 1 إلى 10 عينات فقط لكل مولد.
استراتيجية تدريب قوية: الجمع بين التدريب المسبق غير الخاضع للإشراف على الصور الحقيقية ودوال فقدان محددة (فقدان المركز + فقدان التباين) يحافظ على هيكل مساحة الميزات مع التكيف مع الفئات الجديدة.

4. النتائج التجريبية

تم تقييم الطريقة على اثنين من الاختبارات المرجعية واسعة النطاق: GenImage و WildFake، والتي تغطي سيناريوهات اختلاف البنى واختلاف المولدات.

تحديد مصدر الصورة (الاسترجاع):
- GenImage: في إعداد الـ 10 لقطات (10-shot)، حقق LIDA دقة Rank-1 بلغت 54.0% و mAP بنسبة 51.6%، متفوقاً بشكل كبير على النماذج المرجعية مثل ResNet-50 و DIRE و ESSP (التي تراوحت حول 20-28%).
- WildFake: في إعداد الـ 10 لقطات، حقق LIDA دقة Rank-1 بلغت 62.3%، متجاوزاً أفضل النماذج المرجعية بأكثر من 30%.
- الكشف بدون تدريب (Zero-Shot Detection): حتى بدون بيانات تدريب للصور المزيفة، حقق LIDA دقة 86.3% في التمييز بين الصور الحقيقية والمزيفة، متفوقاً على أدوات الكشف المتخصصة مثل FSD و RIGID.
المتانة (Robustness): أظهرت الطريقة مرونة قوية ضد تدهور الصور، بما في ذلك التمويه الغاوسي (Gaussian blur) وضغط JPEG، حيث حافظت على أداء عالٍ في الحالات التي فشلت فيها الطرق المعتمدة على RGB.
الكفاءة: سرعة الاستنتاج تقع في نطاق الميلي ثانية بسبب استخدام العمليات الثنائية لتوليد البصمة واستخدام مشفر ResNet-50 خفيف الوزن.

5. الأهمية

القابلية للتوسع للمستقبل: مع تطور نماذج AIGC بسرعة، فإن القدرة على تحديد مصدر الصور دون إعادة تدريب النموذج بالكامل هي أمر بالغ الأهمية. يوفر LIDA حلاً قابلاً للتوسع حيث يمكن إضافة نماذج جديدة إلى النظام فوراً عن طريق تسجيل عينات قليلة.
القابلية للتطبيق العملي: بكونه مستقلاً عن النموذج، يمكن نشر LIDA لتحليل الصور من الأدوات المملوكة (مثل Midjourney) حيث لا يمكن الوصول إلى الكود البرمجي الأساسي.
الدليل الجنائي: على عكس التصنيف الذي يعطي احتمالية، يوفر نهج الاسترجاع تحديداً قائماً على الأدلة من خلال إظية الصور المسترجعة المحددة التي تبرر القرار، مما يزيد من الثقة في العملية الجنائية.
المنفعة المزدوجة: يتعامل إطار العمل بفعالية مع كل من كشف التزييف العميق (حقيقي مقابل مزيف) و تحديد المصدر (أي مولد؟)، موحداً هاتين المهمتين تحت خط إنتاج واحد وفعال.

في الختام، يمثل LIDA تحولاً في حالة الفن (state-of-the-art) في مجال الأدلة الجنائية للذكاء الاصطناعي، حيث ينتقل من نماذج التصنيف الجامدة إلى أنظمة الاسترجاع المرنة التي تستفيد من أنماط ضوضاء البتات المنخفضة لتتبع أصل الوسائط الاصطناعية.