💻 computer science

Anti-I2V: Safeguarding your photos from malicious image-to-video generation

تُعد Anti-I2V آلية دفاعية مبتكرة تحمي الصور الشخصية من عمليات توليد الصور إلى فيديو الخبيثة عبر تطبيق اضطرابات تنافسية في مجالي $L*a*b*$ والتردد مع استهداف طبقات شبكية محددة لتقليل التماسك الزمني ودقة التوليد عبر مختلف نماذج الانتشار الأساسية، بما في ذلك نماذج محولات الانتشار (Diffusion Transformers).

المؤلفون الأصليون: Duc Vu, Anh Nguyen, Chi Tran, Anh Tran

نُشر 2026-03-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Duc Vu, Anh Nguyen, Chi Tran, Anh Tran

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 لديك صورة عائلية ثمينة. في الماضي، إذا أراد شخص ما صنع فيديو مزيف لك وأنت تقوم بشيء مضحك أو خطير باستخدام تلك الصورة الواحدة فقط، فقد كان يحتاج إلى الكثير من المهارة والوقت. ولكن اليوم، مع أدوات الذكاء الاصطناعي الجديدة "تحويل الصورة إلى فيديو" (Image-to-Video)، يمكن لأي شخص كتابة أمر مثل "اجعل هذا الشخص يرقص على الطاولة"، وسيقوم الذكاء الاصطناعي فوراً بإنشاء فيديو واقعي لك وأنت تفعل ذلك بالضبط. هذا يشكل خطراً كبيراً على الخصوصية.

تقدم ورقة بحثية بعنوان "Anti-I2V" درعاً رقمياً لإيقاف هذا الأمر. فكر في الأمر كـ "خلل" أو "سم" رقمي تضيفه إلى صورتك قبل رفعها. هذا الخلل غير مرئي للعين البشرية، لكنه يربك الذكاء الاصطناعي تماماً، مما يجعله غير قادر على إنشاء فيديو متماسك لك.

إليك شرح بسيط لكيفية عمل ذلك، باستخدام بعض التشبيهات الإبداعية:

1. المشكلة: "المقلد المثالي"

تخيل فناناً يعمل بالذكاء الاصطناعي موهوباً للغاية في نسخ أسلوبك. إذا أعطيته صورة لوجهك، يمكنه تخيلك وأنت تركض، أو تقفز، أو تغني. المشكلة هي أنهم بارعون جداً. يمكنهم إنشاء فيديوهات "ديب فيك" (Deepfake) تبدو حقيقية، والتي يمكن استخدامها لنشر الأكاذيب أو مضايقة الناس.

2. الدفاع القديم: "الطلاء فوق اللوحة"

كانت المحاولات السابقة لمنع هذا تشبه محاولة حماية لوحة فنية عبر رش القليل من الطلاء غير المرئي عليها.

العيب: حاولت معظم الطرق القديمة العبث بـ ألوان RGB (الأحمر، الأخضر، الأزرق) للصورة.
النتيجة: الأمر يشبه محاولة إخفاء رسالة سرية عن طريق تغيير درجة اللون الأزرق في السماء قليلاً. الذكاء الاصطناعي ذكي؛ يمكنه بسهولة "غسل" هذه التغييرات اللونية الصغيرة أثناء عملية الإنشاء، تماماً كما يغسل المطر الغبار الخفيف. يظل الذكاء الاصطناعي يتعرف عليك ويصنع الفيديو.

3. الدفاع الجديد: "Anti-I2V" (الدرع غير المرئي)

أدرك مؤلفو هذه الورقة البحثية أنهم بحاجة إلى طريقة أذكى لإرباك الذكاء الاصطناعي. لم يكتفوا بتغيير الطلاء فحسب، بل غيروا بنية اللوحة نفسها. لقد استخدموا خدعتين رئيسيتتين:

الخدعة (أ): تغيير "روح" اللون (مساحة Lab*)

بدلاً من العبث بمزيج الأحمر/الأخضر/الأزرق القياسي، قاموا بتحويل الصورة إلى لغة لونية مختلفة تسمى Lab*.

التشبيه: تخيل أنك تصف لوناً لصديق.
- RGB يشبه قول: "امزج 50% أحمر و50% أخضر".
- Lab* يشبه قول: "هذا هو مدى سطوع اللون، ومدى ميله نحو الأحمر مقابل الأخضر، ومدى ميله نحو الأزرق مقابل الأصفر".
السحر: تقوم طريقة Anti-I2V بالعبث بأجزاء "الأحمر مقابل الأخضر" و"الأزرق مقابل الأصفر". بالنسبة لعينك البشرية، تبدو الصورة كما هي تماماً. ولكن بالنسبة للذكاء الاصطناعي، يبدو الأمر وكأن الصورة ترتدي تنكراً. يرتبك الذكاء الاصطناعي بشأن "روح" الألوان، مما يجعل من الصعب تتبع وجهك.

الخدعة (ب): التخريب في "الترددات المنخفضة" (نطاق التردد - Frequency Domain)

تتكون الصور من أنماط. بعض الأنماط تكون حوافاً حادة (تردد عالٍ)، وبعضها أشكال كبيرة وناعمة (تردد منخفض).

التشبيه: فكر في أغنية. النغمات العالية هي أصوات الصنوج والصفير (تفاصيل حادة)، لكن خط الباص (Bass) واللحن هما الترددات المنخفضة (الهيكل الأساسي).
السحر: يعتمد الذكاء الاصطناعي بشكل كبير على "خط الباص" (الترددات المنخفضة) لفهم الشكل العام للوجه وكيفية تحركه. يقوم Anti-I2V بحقن القليل من "الضجيج" في نغمات الباص منخفضة التردد هذه. إنه يشبه وضع همهمة طفيفة في الخلفية؛ قد لا تلاحظها، لكن إيقاع الذكاء الاصطناعي يختل، ولا يستطيع الحفاظ على سلاسة الفيديو.

4. كسر "ذاكرة" الذكاء الاصطناعي (الطبقات الداخلية)

لا تكتفي نماذج الذكاء الاصطناعي بالنظر إلى الصورة مرة واحدة فقط، بل تنظر إليها من خلال العديد من "الطبقات" من الفهم، مثل تقشير البصلة.

الطريقة القديمة: حاول المهاجمون إرباك الذكنا الاصطناعي فقط عند "المخرج النهائي" (الناتج النهائي).
طريقة Anti-I2V: تهاجم هذه الطريقة الذكاء الاصطناعي أثناء تفكيره.
- انهيار التمثيل الداخلي (IRC): تخيل أن الذكاء الاصطناعي يحاول بناء برج من المكعبات. تجعل Anti-I2V الذكاء الاصطناعي ينسى كيف تبدو المكعبات العلوية ويجبرها على أن تبدو مثل المكعبات السفلية. ينهار البرج لأن الذكاء الاصطناعي لا يستطيع تذكر تفاصيل وجهك أثناء بناء إطارات الفيديو واحداً تلو الآخر.
- مرساة التمثيل الداخلي (IRA): هذا يشبه إخبار الذكاء الاصطناعي: "لا تنظر إلى هذا الشخص؛ بل انظر إلى غريب عشوائي بدلاً من ذلك". هذا يجبر الذكاء الاصطناعي على خلط ملامحك بملامح شخص آخر، مما ينتج عنه فيديو يبدو ككتلة ضبابية من شخص غريب، وليس أنت.

5. النتيجة: فيديو "مكسور"

عندما تستخدم Anti-I2V على صورتك ثم تحاول إنشاء فيديو:

بدون الدرع: يصنع الذكاء الاصطناعي فيديو مثالياً لك وأنت ترقص.
مع الدرع: يحاول الذكاء الاصطناعي صنع الفيديو، لكنه يفشل. النتيجة هي فيديو قد يذوب فيه وجهك، أو يتحول إلى شخص غريب، أو تصبح الحركة فيه متقطعة وغير طبيعية. يتم تدمير "التماسك الزمني" (سلاسة الحركة عبر الزمن).

ملخص

Anti-I2V يشبه وضع "خلل" رقمي في حمضك النوئي لا يراه إلا الكمبيوتر. إنه لا يفسد صورتك بالنسبة للبشر، ولكنه يكسر قدرة الذكاء الاصطناعي على فهم وجهك، مما يضمن ألا يتمكن أحد من استخدام صورتك لإنشاء فيديوهات مزيفة ومؤذية لك. إنه يعمل على أحدث وأقوى نماذج الذكاء الاصطناعي، مما يجعله درعاً قوياً جداً لخصوصيتك الرقمية.

إليك ملخص تقني مفصل لورقة البحث بعنوان "Anti-I2V: حماية صورك من توليد الفيديو من الصور (I2V) الخبيث."

1. بيان المشكلة

يسمح التقدم السريع في نماذج الانتشار من نوع "الصورة إلى الفيديو" (I2V) (مثل CogVideoX، وOpenSora، وDynamiCrafter) للمستخدمين بتوليد فيديوهات واقعية ومتماسكة زمنياً من صورة مرجعية واحدة ومطالبة نصية. ورغم كون هذه التقنية مثيرة للإعجاب، إلا أنها تشكل مخاطر أمنية كبيرة، حيث تمكن من إنشاء "تزييف عميق" (deepfakes) ومحتوى غير مصرح به باستخدام صور الأشخاص.

تواجه آليات الدفاع الحالية (الهجمات العدائية) قيوداً حرجة عند تطبيقها على عملية تحويل الصورة إلى فيديو (I2V)، حيث تستهدف معظم الطرق الحالية النص إلى صورة (T2I) أو الصورة إلى صورة (I2I):

عدم تطابق الهدف: تركز معظم الطرق على تعطيل توليد الصور الثابتة أو ميزات الـ VAE، وتفشل في معال معالجة التحدي الجوهري لتقنية I2V وهو: التماسك الزمني (temporal consistency).
الفجوة المعمارية: صُممت العديد من الدفاعات للنماذج القائمة على بنية UNet، ولم يتم التحقق من فعاليتها ضد نماذج محولات الانتشار (Diffusion Transformer - DiT) الأحدث والأكثر قوة، والتي تمتلك قدرة استيعابية أكبر وآليات انتباه متطورة.
فضاء التحسين: تعمل معظم الطرق على تحسين الاضطرابات مباشرة في فضاء RGB، وهو أمر يسهل تحييده بواسطة عمليات التطهير وإزالة الضجيج المتكررة في نماذج الفيديو الحديثة.

2. المنهجية: Anti-I2V

يقترح المؤلفون إطار عمل Anti-I2V، وهو نظام دفاعي مصمم لتوليد اضطرابات عدائية غير محسوسة تؤدي إلى تدهور جودة الحفاظ على الهوية في الفيديوهات المولدة عبر مختلف دعامات الانتشار (diffusion backbones). تتكون الطريقة من ثلاثة ابتكارات جوهرية:

أ. الاضطراب ثنائي المجال (Dual-Space Perturbation - DSP)

بدلاً من تحسين الضجيج في فضاء ألوان RGB فقط، يعمل Anti-I2V في مجالين متكاملين لزيادة المتانة ضد عمليات التطهير وإزالة الضجيج:

فضاء الألوان L*a*b*: يتم تطبيق الاضطرابات خصيصاً على قنوات a* (الأخضر-الأحمر) و b* (الأزرق-الأصفر). هذه القنوات منفصلة إدراكياً عن السطوع (Luminance)، مما يجعل الضجيج أقل وضوحاً للبشر بينما يضلل إدراك النموذج للألوان بفعالية.
المجال الترددي (DCT): تقوم الطريقة بتحليل تحويل جيب التمام المتقطع (DCT) للصورة وتحقن الضجيج في المكونات منخفضة التردد (المعاملات في أعلى اليسار). يستهدف هذا المكون المعلومات الهيكلية والنسيجية الأساسية للصورة بدلاً من قيم البكسل السطحية، مما يجعل من الصعب إزالة الاضطراب عبر عمليات التمويه (blurring) أو الضغط القياسية.

ب. تعطيل الميزات الدلالية (انهيار التمثيل الداخلي والمرساة)

لتعطيل التماسك الزمني المطلوب لتوليد الفيديو، يستهدف Anti-I2V انتشار الميزات الداخلية داخل شبكة إزالة الضجيج (UNet أو DiT) والـ VAE.

انهيار التمثيل الداخلي (Internal Representation Collapse - IRC): تحدد الطريقة الطبقات التي تظهر فيها الميزات الدلالية عالية المستوى (على سبيل المثال، الطبقة 19+ في OpenSora) وتجبرها على الانهيار لتصبح مثل تمثيلات الميزات في الطبقات المبكرة (مثل الطبقة 3)، والتي تحتوي فقط على معلومات هيكلية منخفضة المستوى. ويتم تحقيق ذلك عن طريق تقليل المسافة الإقليدية بين ميزات الطبقات العميقة والضحلة.
مرساة التمثيل الداخلي (Internal Representation Anchor - IRA): تقلل هذه الخسارة المسافة بين ميزات الصورة المضطربة والصورة المستهدفة (أو الصورة الأصلية في الهجمات غير المستهدفة) عبر جميع طبقات كل من الـ VAE ووحدة إزالة الضجيج. وهذا يمنع النموذج من استخراج ميزات هوية متسقة طوال عملية التوليد.

ج. دالة الهدف النهائية

تجمع دالة الخسارة الإجمالية بين الخسائر المقترحة والقيود المساعدة لضمان عدم القدرة على إدراك التغيير بصرياً:
$L_{Anti-I2V} = L_{IRC} + L_{IRA} + L_{auxiliary} - L_{DM}$
حيث تشمل $L_{auxiliary}$ خسارة ميزة CLIP وخسارة LPIPS (الخسارة الإدراكية) للحفاظ على تشابه الصورة، و $L_{DM}$ هي خسارة الانتشار القياسية المستخدمة لتوجيه عملية التحسين.

3. المساهمات الرئيسية

أول دفاع مخصص لـ I2V: يقدم أول إطار عمل دفاعي شامل يستهدف بشكل محدد توليد الفيديو من الصور الخبيث عبر بنيات متنوعة (UNet، DiT، MMDiT).
فضاء تحسين مبتكر: يمهد الطريق لاستخدام فضاء ألوان L*a*b* بالتز Combine مع اضطراب المجال الترددي (DCT)، مما يظهر متانة فائقة مقارنة بالهجمات التقليدية القائمة على RGB.
التعطيل الدلالي على مستوى الطبقات: يقترح خسارات IRC و IRA التي تعطل انتشار الميزات في الطبقات المتوسطة، مما يؤدي بفعالية إلى كسر التماسك الزمني والحفاظ على الهوية في الفيديو المولد.
تقييم شامل: يتم التحقق من صحة الطريقة على نماذج رائدة (CogVideoX-5B، OpenSora v1.2، DynamiCrafter) باستخدام معايير تركز على الوجه (CelebV-Text) وحركة كامل الجسم (UCF101).

4. النتائج التجريبية

قام المؤلفون بتقييم Anti-I2V مقابل نماذج أساسية مثل SDS، وAdvDM، وMIST، وVGMShield.

تدهور الهوية: حقق Anti-I2V أدنى درجات في مطابقة درجة الهوية (ISM) ودرجات CLIP-FIQA عبر جميع النماذج.
- مثال: في نموذج DynamiCrafter، خفض Anti-I2V درجة ISM من 0.528 (للصورة النظيفة) إلى 0.151، متفوقاً بشكل كبير على أفضل نموذج أساسي تالٍ (0.262).
جودة الفيديو والتماسك الزمني: قللت الطريقة بشكل حاد من درجات Q-Align (مقياس جودة الفيديو) وتشابه DINO، مما يشير إلى تدهور شديد في الاتساق بين الإطارات والدقة البصرية.
- مثال: في مجموعة بيانات UCF101، خفض Anti-I2V درجة Q-Align (الفيديو) من 0.562 إلى 0.084.
المتانة: حافظ الاضطراب ثنائي المجال (DSP) على فعاليته حتى بعد تعرض الصور لضغط JPEG، والتمويه الغاوسي (Gaussian blur)، وهجمات التطهير (DiffPure، GrIDPure)، متفوقاً على الاضطرابات القائمة على RGB فقط.
القابلية للانتقال (Transferability): انتقلت الاضطرابات التي تم تحسينها على نموذج واحد (مثل CogVideoX) بنجاح إلى بنيات أخرى (OpenSora، DynamiCrafter)، مما أظهر قدرة عالية على التعميم.

5. الأهمية

يعالج Anti-I2V فجوة حرجة في سلامة الذكاء الاصطناعي من خلال توفير دفاع قوي ضد إساءة استخدام نماذج I2V. تكمن أهميته في:

القابلية للتوسع: يعمل بفعالية على كل من نماذج UNet القديمة ونماذج DiT الحديثة، والتي تعد حالياً الأكثر قوة وصعوبة في الدفاع ضدها.
الكفاءة: على عكس بعض الأعمال السابقة التي تتطلب وحدات معالجة رسومية عالية الأداء أو توجيهاً للوضعية (pose guidance)، فإن Anti-I2V ممكن حوسبياً ولا يعتمد على مدخلات وضعية محددة.
حماية الخصوصية: يوفر حلاً عملياً للأفراد لحماية صورهم من استخدامها لتوليد "تزييف عميق" أو محتوى ضار دون الحاجة إلى تعديل نماذج التوليد نفسها.

في الختام، يمثل Anti-I2V تقدماً متطوراً في الدفاع العدائي لتوليد الفيديو، حيث يستخدم اضطراباً متعدد المجالات وتعطيلاً دلالياً عميقاً لتحييد قدرات نماذج I2V الخبيثة بفعالية.