💻 computer science

Multi-Feature Fusion Approach for Generative AI Images Detection

تقترح هذه الورقة إطار عمل متيناً لدمج الميزات المتعددة يجمع بين المؤشرات الإحصائية منخفضة المستوى، والدلالات السيمانتية عالية المستوى، والسمات النسيجية متوسطة المستوى لتحقيق كشف متفوق ومتسق للصور الاصطناعية عبر مختلف نماذج الذكاء الاصطناٍ التوليدي مقارنة بالنهج الحالية ذات الميزة الواحدة.

المؤلفون الأصليون: Abderrezzaq Sendjasni, Mohamed-Chaker Larabi

نُشر 2026-04-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Abderrezzaq Sendjasni, Mohamed-Chaker Larabi

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 أنك محقق يحاول كشف تزوير لوحة فنية شهيرة. في الماضي، كان من السهل كشف التزوير لأن الطلاء المزيف كان يبدو لامعًا أكثر من اللازم، أو لأن ضربات الفرشاة كانت منتظمة للغاية. كان بإمكانك كشف ذلك بمجرد النظر إلى ملمس (texture) اللوحة.

لكن اليوم، أصبح فنانو الذكاء الاصطناعي (مثل Midjourney أو DALL-E) بارعين لدرجة أن "طلاءهم" يبدو حقيقيًا تمامًا مثل الأصل. يمكنهم محاكاة الملمس، والإضاءة، وحتى الحالة المزاجية للصورة بدقة متناهية. إذا نظرت فقط إلى الملمس، فقد تقع في الفخ.

تقدم هذه الورقة البحثية نوعًا جديدًا من فرق التحقيق التي لا تعتمد على دليل واحد فقط. بدلاً من ذلك، تستخدم ثلاثة أنواع مختلفة من الخبراء يعملون معًا لكشف تزييف الذكاء الاصطناعي.

المحققون الثلاثة

قام الباحثون ببناء نظام يحلل كل صورة من خلال ثلاث "عدسات" مختلفة:

1. الإحصائي (صائد الأخطاء الرقمية):

ماذا يفعل: ينظر هذا الخبير إلى الرياضيات الدقيقة وغير المرئية وراء الصورة. الصور الحقيقية لها أنماط محددة في كيفية سقوط الضوء والظل، تشبه الطريقة التي تسقط بها قطرات المطر على النافذة بشكل عشوائي وطبيعي. غالبًا ما يحاول الذكاء الاصطناعي تقليد هذا، لكنه يترك أحيانًا "بصمة إحصائية" طفيفة غير طبيعية خلفه.
التشبيه: تخيل أنك تفحص ورقة نقدية. الإحصائي يبحث عن أنماط الألياف المجهرية في الورقة. إذا كانت الألياف مصطفة بدقة شديدة، فهي مزيفة.

2. الفيلسوف (مدقق المنطق):

ماذا يفعل: يستخدم هذا الخبير عقلًا ذكيًا للغاية (يسمى CLIP) لفهم معنى الصورة. هو يسأل: "هل هذا منطقي؟". على سبيل المثال، إذا أظهرت صورة كلبًا يرتدي طوقًا أزرق ويركض على طريق ترابي، فإن الفيلسوف يتحقق مما إذا كانت قوائم الكلب تلمس الأرض بالفعل أم أن الطوق يطفو في الهواء. أحيانًا ينشئ الذكاء الاصطناعي صورًا تبدو جميلة ولكن بها منطق غريب (مثل قطة بست أرجل أو ظل يتجه في الاتجاه الخاطئ).
التشبيه: هذا يشبه المعلم الذي يصحح مقالاً. قد يكون النص جميلاً، ولكن إذا كانت القصة لا تبدو منطقية (مثل "أشرقت الشمس من الغرب")، فإن الفيلسوف يكتشف الخطأ.

3. مفتش المنسوجات (راصد الأنماط):

ماذا يفعل: ينظر هذا الخبير عن كثب إلى التفاصيل والملامس الدقيقة. الطبيعة الحقيقية فوضوية وعشوائية. أما الذكاء الاصطناعي، فيقوم أحيانًا بإنشاء أنماط "تكرارية" (tiling) عن طريق الخطأ، مثل ورق حائط يتكرر بانتظام شديد، أو يترك "هالات" غريبة حول الأشياء.
التشبيه: فكر في وشاح حريري عالي الجودة. مفتش المنسوجات يتحسس القماش. إذا شعر بنمط شبكي مكرر مصنوع آليًا لا ينبغي أن يكون موجودًا، فسيعرف أنه صناعي.

سحر العمل الجماعي (الدمج)

إليك الاكتشاف الكبير للورقة البحثية: لا يوجد محقق واحد مثالي.

إذا استخدمت الإحصائي فقط، فقد يخدعه الذكاء الاصطناعي الحديث لأن الرياضيات تبدو مثالية.
إذا استخدمت الفيلسوف فقط، فقد ينشئ الذكاء الاصطناعي صورة منطقية تمامًا ولكنها تحتوي على أخطاء غريبة في الملمس.
إذا استخدمت مفتش المنسوجات فقط، فقد ينشئ الذكاء الاصطناعي ملمسًا يبدو عشوائيًا بما يكفي لتجاوز الاختبار، حتى لو كان المنطق غريبًا.

الحل: قام الباحثون بدمج المحققين الثلاثة في فريق خارق واحد. يأخذون الأدلة من الإحصائي، والفيلسوف، ومفتش المنسوجات، ويمزجونها معًا.

النتيجة: حتى لو خدع الذكاء الاصطناعي أحد المحققين، فمن المرجح أن يكتشفه المحققان الآخران.
- مثال: قد ينشئ الذكاء الاصطناعي صورة ذات إحصائيات مثالية (تخدع الإحصائي) ومنطق مثالي (تخدع الفيلسوف)، ولكن الملمس قد يظل يحتوي على نمط تكراري غير طبيعي ضئيل. هنا يكتشفه مفتش المنسوجات، ويقول الفريق بأكم له: "مزيف!".

لماذا هذا مهم؟

اختبرت هذه الورقة هذا الفريق ضد أربعة "مسارح جريمة" (مجموعات بيانات) تحتوي على صور من نماذج ذكاء اصطناٍ مختلفة.

المكتشفات القديمة كانت تشبه استخدام عدسة مكبرة للبحث عن الخدوش. لقد نجحت بشكل رائع مع التزوير القديم، لكنها فشلت أمام التكنولوجيا الجديدة المتطورة.
هذه الطريقة الجديدة تشبه امتلاك مختبر جنائي كامل. إنها تعمل بشكل جيد وثابت، حتى عندما يصبح الذكاء الاصطناعي أكثر ذكاءً أو عندما تكون الصور مزيجًا من الحقيقي والمزيف.

الخلاصة

في عالم يمكن للذكاء الاصطناعي فيه إنشاء صور تبدو حقيقية بنسبة 99%، لا يمكننا مجرد النظر إلى شيء واحد لمعرفة الحقيقة. نحن بحاجة إلى النظر إلى الرياضيات، والمنطق، والملمس في وقت واحد. من خلال دمج هذه الطرق الثلاث المختلفة للرؤية، يصبح من الصعب جدًا خداع هذا النظام الجديد، مما يساعدنا في الحفاظ على نزاهة وموثوقية الإنترنت.

إليك ملخص تقني مفصل لورقة البحث بعنوان "نهج دمج الميزات المتعددة للكشف عن صور الذكاء الاصطناائي التوليدي".

1. بيان المشكلة

أدى التقدم السريع في نماذج الذكاء الاصطناعي التوليدي (GenAI) (مثل StyleGAN، وStable Diffusion، وDALL·E، وMidjourney) إلى إنتاج صور اصطناعية أصبحت لا يمكن تمييزها بشكل متزايد عن الصور الفوتوغرافية الطبيعية. وهذا يفرض مخاطر كبيرة تتعلق بالتضليل، وانتهاك حقوق الطبع والنشر، والثقة في الوسائط الرقمية.

التحديات الرئيسية:

الآثار المتطورة (Evolving Artifacts): اعتمدت الكواشف المبكرة على شذوذات إحصائية منخفضة المستوى (إحصائيات المشهد الطبيعي - NSS)، لكن نماذج الانتشار (Diffusion models) الحديثة أصبحت بارعة في محاكاة هذه الإحصائيات، مما جعل الكواشف أحادية الميزة غير فعالة.
نقص التعميم (Lack of Generalization): غالبًا ما تتخصص الطرق الموجودة في مولدات معينة (مثل GANs مقابل Diffusion) أو فضاءات ميزات محددة (دلالية، أو نسيجية، أو ترددية)، مما يؤدي إلى الفشل في التعميم عبر مختلف النماذج المتنوعة والمتطورة بسرعة.
الفجوة البحثية: هناك نقص في الفهم المنهجي فيما يتعلق بنقاط القوة النسبية، والتكامل، وقدرات التعميم لمختلف فضاءات الميزات (الإحصائية، والدلالية، والنسيجية) عند تطبيقها على طيف واسع من نماذج الذكاء الاصطناعي التوليدي.

2. المنهجية

يقترح المؤلفون إطار عمل لدمج الميزات المتعددة يدمج ثلاثة فضاءات ميزات متعامدة لإنشاء كاشف قوي ومستقل عن النموذج. يتكون خط العمل من ثلاثة مستخرجات ميزات متوازية، ووحدة دمج، ومصنف.

أ. فضاءات استخراج الميزات

يستخرج إطار العمل الميزات من ثلاثة مستويات مختلفة من التجريد البصري:

الميزات الإحصائية منخفضة المستوى (MSCN):
- المفهوم: يلتقط الانحرافات في توزيعات السطوع والتباين النموذجية في الصور الطبيعية.
- التنفيذ: يستخدم معاملات متوسط السطوع الموحد للتباين (MSCN). يتم حساب مصفوفة التواجد الرمادي (GL_CM) من هذه المعاملات عبر أربعة اتجاهات ( $0^\circ, 45^\circ, 90^\circ, 135^\circ$ ).
- المخرج: متجه مكون من 72 بُعدًا يحتوي على ميزات هاراليك (التباين، عدم التشابه، التجانس، ASM، الطاقة، الارتباط).
الميزات الدلالية عالية المستوى (CLIP):
- المفهść: يشفر التماسك الدلالي والاتساق المنطقي. قد تبدو صور الذكاء الاصطناعي التوليدي واقعية ولكنها تحتوي على عدم اتساق دلالي دقيق (مثل علاقات الأشياء غير المعقولة أو عدم التطابق مع الوصف/Prompt).
- التنفيذ: يستخدم نموذج CLIP-ViT/B-32 مدرب مسبقًا لاستخراج متجه تضمين طبيعي مكون من 512 بُعدًا يمثل دلالات المشهد العالمية.
ميزات النسيج متوسطة المستوى (MLBP):
- المفهوم: يحدد الأنماط الهيكلية المحلية والأنماط النسيجية الدقيقة المتكررة. غالبًا ما تعاني نماذج الذكاء الاصطناعي التوليدي مع الأنسجة الطبيعية المعقدة وغير المتكررة، مما ينتج آثارًا مثل "التبليط" (tiling) أو انتظامًا مفرطًا.
- التنفيذ: يستخدم الأنماط الثنائية المحلية متعددة المقاييس (MLBP) مع أنصاف أقطار $R \in \{1, 2, 3\}$ . لكل مقي-اس، يتم حساب مدرجات توزيع LBP الموحدة، ويتم استخراج أربعة واصفات إحصائية (المتوسط، التباين، الإنتروبيا، الطاقة).
- المخرج: متجه مكون من 36 بُعدًا (4 واصفات $\times$ 3 مقاييس).

ب. دمج الميزات والتصنيف

التطبيع (Normalization): لمنع الميزات عالية الأبعاد (مثل CLIP) من الهيمنة على الميزات منخفضة الأبعاد، يتم توحيد جميع متجهات الميزات لتكون ذات متوسط صفري وتباين وحدة واحدة.
الدمج (Fusion): يتم دمج المتجهات الموحدة لتشكيل متجه ميزات موحد مكون من 620 بُعدًا ( $72 + 512 + 36$ ). تضمن استراتيجية "الدفاع في العمق" هذه أنه إذا خدع مولدٌ ما مستوىً واحدًا من التحليل (مثل الإحصاء)، فمن المرجح أن يفشل في مستوى آخر (مثل الدلالات).
التصنيف: يتم تغذية المتجه المدمج في مصنفات تعلم الآلة. تدرس الدراسة تعزيز التدرج (GB)، والغابة العشوائية (RF)، وآلات المتجهات الداعمة (SVM) مع نوى RBF.

3. المساهمات الرئيسية

التقييم المرجعي الشامل: تقييم صارم لثلاثة فضاءات ميزات متكاملة (MSCN، وCLIP، وMLBP) عبر أربعة مجموعات بيانات مرجعية متنوعة (Synthbuster، وPKU-4K، وCIFAKE، وFakeBench) وعدة مولدات حديثة.
إطار دمج موحد: اقتراح خط دمج استراتيجي يوضح أن الجمع بين الإشارات الإحصائية والدلالية والنسيجية يتفوق باستمرار على النماذج أحادية الميزة من حيث الدقة، والمتانة، والقدرة على التعميم.
الرؤى التحليلية:
- تفسير المتشعب (Manifold Interpretation): تؤطر الورقة الكشف كعملية تقدير لانحراف العينة عن "متشعب الصورة الطبيعية". وتظهر أن الدمج يستكشف اتجاهات متعددة لهذا المتشعب، مما يقلل من نقاط الضعف.
- التحقق الإحصائي: تستخدم اختبارات Kruskal-Wallis لإثبات أنه بينما تعتمد الميزات الفردية على التمثيل، فإن الدمج يعمل على تثبيت فضاء الميزات، مما يجعل الكاشف أقل حساسية لاختيار المصنف ونوع المولد.

4. النتائج التجريبية

تم اختبار إطار العمل على أربع مجموعات بيانات تغطي تحويل النص إلى صورة (T2I)، وتحويل الصورة إلى صورة (I2I)، ونماذج GANs، ونماذج الانتشار (Diffusion).

مقاييس الأداء: تم التقييم باستخدام الدقة (Accuracy) ومعامل ارتباط ماثيوز (MCC) للتعامل مع عدم توازن الفئات.
النتائج الرئيسية:
- الأداء الفردي: كان CLIP (الدلالي) هو الأقوى عمومًا كميزة فردية، يليه MSCN (الإحصائي). أظهر MLBP (النسيج) تباينًا عاليًا وأداءً منخفضًا بمفرده.
- تفوق الدمج: حقق تكوين ALL (المدمج) أفضل النتائج عبر جميع مجموعات البيانات.
  - Synthbuster: دقة 96.6%، معامل MCC 0.933.
  - PKU-4K (T2I): دقة 97.7%.
  - PKU-4K (I2I): دقة 90.4% (وهي أصعب بشكل ملحوظ بسبب الحفاظ على الأولويات الطبيعية).
  - FakeBench: دقة 95.0%.
  - CIFAKE: دقة 94.6%.
- المتانة: حسن الدمج بشكل كبير من قيمة MCC، مما يشير إلى توازن أفضل بين الإيجابيات الحقيقية والسلبيات الحقيقية، خاصة في سيناريوهات النماذج المختلطة الصعبة.
- المقارنة مع أحدث التقنيات (SOTA): تفوقت الطريقة المقترحة على الكواشف الحديثة (CNNDetection، وDMImageDetection، وPatchForensics، وSynthbuster) التي غالبًا ما فشلت في التعميم عبر أنواع المولدات أو مجموعات البيانات المختلفة.

5. الأهمية والخاتمة

تحول في النموذج (Paradigm Shift): تجادل الورقة بأن الكشف القوي عن الذكاء الاصطناعي التوليدي يتطلب تمثيلات هجينة. فالاعتماد على فضاء ميزات واحد (مثل الإحصاء فقط أو الدلالات فقط) غير كافٍ مع تطور النماذج.
التعميم: يوفر نهج الميزات المتعددة آلية "دفاع في العمق". إذا نجح مولد في محاكاة الإحصائيات الطبيعية، فمن المرجح أن يفشل في التماسك الدلالي أو عيوب النسيج، والعكس صحيح.
الأثر العملي: يقدم إطار العمل حلاً مبدئيًا ومستقلاً عن النموذج للكشف عن الوسائط الاصطناعية، وهو أمر بالغ الأهمية للإشراف على المحتوى، والتحليل الجنائي، والحفاظ على الثقة في الأنظمة الرقمية.
العمل المستقبلي: يقترح المؤلفون استكشاف استراتيجيات دمج تكيفية (وزن الميزات ديناميكيًا بناءً على المدخلات) وتوسيع النهج ليشمل كشف الفيديو.

باختًا، يثبت هذا العمل أن دمج الإشارات البصرية المتكاملة من المجالات الإحصائية والدلالية والنسيجية هو الاستراتيجية الأكثر فعالية للكشف عن الجيل القادم من الصور المولدة بالذكاء الاصطناعي شديدة الواقعية.