🤖 AI

Preserving Forgery Artifacts: AI-Generated Video Detection at Native Scale

تتناول هذه الورقة البحثية أوجه القصور في الطرق الحالية للكشف عن الفيديوهات المولدة بواسطة الذكاء الاصطناعي من خلال تقديم مجموعة بيانات ضخمة تضم أكثر من 140 ألف فيديو وإطار عمل مبتكر يعتمد على نموذج Qwen2.5-VL يعمل بشكل أصيل عند دقات متغيرة للحفاظ على آثار التزييف عالية التردد التي تُفقد في عمليات المعالجة المسبقة التقليدية.

المؤلفون الأصليون: Zhengcen Li, Chenyang Jiang, Hang Zhao, Shiyang Zhou, Yunyang Mo, Feng Gao, Fan Yang, Qiben Shan, Shaocong Wu, Jingyong Su

نُشر 2026-04-07

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zhengcen Li, Chenyang Jiang, Hang Zhao, Shiyang Zhou, Yunyang Mo, Feng Gao, Fan Yang, Qiben Shan, Shaocong Wu, Jingyong Su

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

🎬 المشكلة: "مفرمة البكسلات" (Pixel Shredder)

تخيل أنك محقق يحاول اكتشاف لوحة مزيفة. التزوير يحتوي على خدش صغير، يكاد يكون غير مرئي، على اللوحة، لا يعرفه إلا الفنان الأصلي.

الآن، تخيل أن قوة الشرطة (أجهزة كشف الذكاء الاصطناعي الحالية) لديها قاعدة: "قبل أن تنظروا إلى اللوحة، يجب تصغيرها لتصبح بحجم طابع بريدي."

عندما تصغر لوحة عالية الدقة لتصبح بحجم طابع بريدي، فإن ذلك الخدش الصغير والحاسم يختفي أو يتلاشى تماماً. ما يتبقى لك هو مجرد الشكل العام للوجه، والذي يبدو مثالياً. يفشل المحقق لأن الأدلة دُمّرت بسبب عملية التصغير.

هذا هو بالضبط ما تفعله أجهزة كشف فيديو الذكاء الاصطناعي الحالية. فهي تأخذ فيديوهات الذكاء الاصطناعي عالية الجودة والواقعية وتجبرها على الحجم الصغير والثابت (مثل 224×224 بكسل) قبل تحليلها. وبذلك، هي تتخلص من "الآثار عالية التردد" (high-frequency artifacts)—وهي البصمات الرقمية الصغيرة التي تتركها مولدات الذكاء الاصطناعي.

🛠️ الحل: المحقق ذو "المقياس الأصلي" (Native-Scale Detective)

يقول مؤلفو هذه الورقة البحثية: "توقفوا عن تصغير الأدلة!"

لقد بنوا نظاماً جديداً ينظر إلى الفيديو بحجمه وشكله الأصلي، بغض النظر عن مدى كبره أو طوله. ويسمون هذا "المقياس الأصلي" (Native Scale).

فكر في الأمر كالتالي:

الطريقة القديمة: تحاول قراءة كتاب من خلال التحديق فيه عبر ثقب مفتاح. أنت تفقد التفاصيل.
الطريقة الجديدة: ترتدي نظارات قراءة عالية القوة وتنظر إلى الكتاب تماماً كما طُبع. يمكنك رؤية ملمس الورق وبقع الحبر الصغيرة.

🧩 كيف يعمل: تشبيه "الليغو" (Lego)

يستخدم النظام الجديد "عقلاً" خاصاً يسمى Qwen2.5-ViT. وإليك كيف يعالج الفيديو دون إتلافه:

لا قص ولا تمديد: بدلاً من إجبار فيديو عريض ليتناسب مع صندوق مربع (مما يؤدي لتمديد الأشخاص وجعلهم يبدو غريبين)، يحترم النظام شكل الفيديو الأصلي.
التقطيع ثلاثي الأبعاد (3D Patching): تخيل أن الفيديو عبارة عن كتلة ضخمة ثلاثية الأبعاد من مكعبات الليغو.
- الكواشف القديمة تقطع الكتلة إلى مربعات صغيرة موحدة، مما يفقدها الهيكل ثلاثي الأبعاد.
- هذا الكاشف الجديد يقطع الكتلة إلى قطع ثلاثية الأبعاد (العرض، الارتفاع، والزمن) التي تتوافق مع التدفق الطبيعي للفيديو. إنه يحافظ على بُعد "الزمن" سليماً، بحيث يمكنه رؤية ما إذا كانت يد الشخص تتحرك بشكل غير طبيعي من ثانية إلى أخرى.
العدسة السحرية: لأنه يرى الفيديو في مجده الأصلي، يمكنه رصد:
- الأخطاء التقنية الصغيرة: مثل ظل وامض أو ملمس غريب على جدار موجود فقط في الذكاء الاصطناعي.
- أخطاء السفر عبر الزمن: مثل شخص يرمش بطريقة لا تتوافق مع قوانين الفيزياء في العالم الحقيقي.

📚 خزانة الأدلة الجديدة (مجموعة البيانات)

المحققون جودتهم تعتمد على جودة تدريبهم. أدرك المؤلفون أن بيانات التدريب القديمة كانت تشبه مكتبة من الصور الضبابية ومنخفضة الجودة من قبل 5 سنوات. أما فيديوهات الذكاء الاصطناعي الحديثة فهي مثل أفلام IMAX بدقة 4K.

لذا، قاموا ببناء مكتبة ضخمة جديدة تسمى Magic Videos:

جمعوا أكثر من 140,000 فيديو من 15 من أفضل مولدات الذكاء الاصطناعي (سواء مفتوحة المصدر أو تجارية).
أنشأوا "تجربة قيادة" خاصة (اختبار Magic Videos) باستخدام أحدث مولدات الذكاء الاصطناعي الأكثر واقعية لمعرفة ما إذا كان الكاشف الخاص بهم يمكنه حقاً رصد التزييف.

🏆 النتائج: لماذا يهم هذا؟

عندما اختبروا "المحقق ذو المقياس الأصلي" الجديد ضد الكواشف القديمة:

الكواشف القديمة: ارتبكت. لقد فاتتها الفيديوهات المزيفة لأن الأدلة كانت أصغر من أن تُرى.
المحقق الجديد: سحق المنافسة. من خلال الحفاظ على دقة الفيديو الكاملة، استطاع العثور على "البصمات الرقمية" الخفية التي فاتت الآخرين.

الخلا الماضي الأساسي:
لإمساك الجيل القادم من تزييف الذكاء الاصطناعي، لا يمكننا استخدام الأدوات القديمة فقط. يجب أن نتوقف عن تصغير الأدلة. يجب أن ننظر إلى الفيديو تماماً كما هو، بكل عظمته وعالية الدقة وتنوع أحجامه، لنكشف الأكاذيب الصغيرة المختبئة في البكسلات.

⚡ باختصار شديد

الخلل: أجهزة كشف الذكاء الاصطناعي الحالية تقوم بتصغير الفيديوهات، مما يؤدي بالخطأ إلى حذف الأدلة اللازمة لكشف التزييف.
الإصلاح: نظام جديد يحلل الفيديوهات بـ حجمها الأصلي و شكلها الأصلي.
النتي نتيجة: كاشف أكثر ذكاءً بكثير يمكنه رصد أكثر فيديوهات الذكاء الاصطناعي واقعية لأنه لا يتخلص أبداً من الأدلة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "الحفاظ على آثار التزييف: كشف الفيديو المُنشأ بواسطة الذكاء الاصطنا artificial scale (بالمقياس الأصلي)"، والتي نُشرت كأوراق بحثية في مؤتمر ICLR 2026.

1. بيان المشكلة

أدى التقدم السريع في نماذج توليد الفيديو بالذكاء الاصطناعي (مثل Sora وKling وWan2.1) إلى إنشاء وسائط اصطناعية فائقة الواقعية، مما يشكل مخاطر كبيرة من التضليل والمعلومات المضللة (deepfakes). تعاني طرق الكشف الحالية من قصورين حرجين:

المعالجة المسبقة الهدامة: تقوم أدوات الكشف الحالية عادةً بتغيير حجم أو قص مقاطع الفيديو المدخلة إلى دقة منخفضة ثابتة (مثل 224×224). هذه العملية تتخلص من آثار التزييف الدقيقة عالية التردد (الآثار على مستوى البكسل) وتسبب تشوهاً مكانياً، مما يؤدي إلى فقدان الإشارات الجنائية الحرجة.
البيانات القديمة: تعتمد معظم المعايسات المرجعية على مجموعات بيانات تم إنشاؤها بواسطة نماذج أقدم وأقل جودة. وتفشل أدوات الكشف المدربة على هذه النماذج في التعميم على المولدات الحديثة عالية الدقة.
الحساسية للدقة: تُظهر التجارب الأولية أن الأدوات المدربة على دقات محددة تعاني من انخفاض كبير في الأداء عند تقييمها على فيديوهات ذات دقات مختلفة، كما أن الأداء يرتبط إيجابياً بجودة المولد المستخدم في التدريب.

2. المنهجية

يقترح المؤلفون إطار عمل موحداً يعمل بشكل أصلي (natively) على دقات مكانية ومدد زمنية متغيرة، متجنبين فقدان المعلومات المرتبط بخفض العينة (downsampling).

أ. تنسيق البيانات

مجموعة بيانات التدريب: مجموعة بيانات واسعة النطاق تضم أكثر من 140,000 فيديو تم إنشاؤها بواسطة 15 نموذجاً من أحدث النماذج (بما في ذلك Diffusion U-Nets وDiffusion Transformers والنماذج ذات التنظيم الذاتي - Auto-regressive models) وعدد مساوٍ من الفيديوهات الحقيقية من Kinetics-400 وMSVD.
معيار Magic Videos: معيار تقييم جديد مصمم خصيصاً للمحتوى فائق الواقعية. يستخدم مكتبة مطالبات (prompts) منسقة لتوليد فيديوهات اصطناعية عالية الجودة من 6 مولدات حديثة (مثل Wan2.1 وHailuo وStepVideo) وربطها بفيديوهات حقيقية من Mixkit وPexels.
استراتيجية المطالبات (Prompt Strategy): يتم تنقيح تسميات (captions) الفيديوهات الحقيقية باستخدام GPT-4o لإنشاء مطالبات متسقة وعالية الجودة، مما يضمن أن تكون الفيديوهات الاصطناعية غير قابلة للتمييز عن المحتوى الحقيقي من الناحية الدلالية، وذلك لعزل آثار التزييف كإشارة كشف أساسية.

ب. بنية النموذج: Qwen2.5-ViT

بُني جوهر إطار عمل الكشف على Vision Transformer الخاص بـ Qwen2.5-VL.

التقطيع ثلاثي الأبعاد بالمقياس الأصلي (Native-Scale 3D Patchification): بدلاً من تغيير حجم الإطارات، يقوم النموذج بتحويل الفيديوهات المدخلة إلى رقع ثلاثية الأبعاد (3D patches) (مكانية × زمنية) بدقتها الأصلية. بالنسبة لمتجه فيديو $V \in \mathbb{R}^{T \times H \times W \times C}$ ، فإنه يقسم البيانات إلى رقع ثلاثية الأبعاد غير متداخلة بحجم $(2, 14, 14)$ .
الحفاظ على الآثار: من خلال الحفاظ على نسبة العرض إلى الارتفاع والدقة الأصلية، يحافظ النموذج على الأنسجة عالية التردد والتناقضات المكانية والزمانية التي تُدمر عادةً بعملية تغيير الحجم.
تحسينات الكفاءة: للتعامل مع التكلفة الحسابية للمدخلات عالية الدقة، يستخدم إطار العمل:
- التعبئة بالدفعات (Batch Packing - NaViT): للتعامل مع التسلسلات متغيرة الطول دون الحاجة للحشو (padding).
- انتباه فلاش (Flash Attention): لتحسين الذاكرة والحوسبة للتسلسلات الطويلة.
- الانتباه النافذي (Windowed Attention): يستخدم استراتيجية انتباه هجينة (نوافذ 114×114) لضمان التوسع الخطي للتكلفة الحسابية.
استراتيجية التدريب: يدعم النموذج الضبط الدقيق الكامل (Full Fine-tuning)، والضبط الخطي (Linear Probing)، والضبط الفعال للمعلمات (LoRA).

3. المساهمات الرئيسية

مجموعة بيانات متنوعة عالية الجودة: تقديم مجموعة تدريب تزيد عن 140 ألف فيديو من 15 مولداً، ومعيار "Magic Videos"، مما يضمن التوافق مع آفاق جودة المحتوى المُنشأ بالذكاء الاصطناعي (AIGC) الحالية.
إطار عمل الدقة الأصلية: بنية كشف مبتكرة تعتمد على Qwen2.5-ViT تعالج الفيديوهات بنسبة العرض إلى الارتفاع والدقة الأصلية، مما يلغي الحاجة إلى عمليات تغيير الحجم أو القص الهدامة.
أداء رائد (SOTA): يضع هذا الأسلوب معياراً جديداً لكشف الفيديو المُنشأ بالذكاء الاصطناعي، حيث أظهر قدرة فائقة على التعميم عبر مختلف المولدات والدقات مقارنة بالطرق الحالية.

4. النتائج التجريبية

تم تقييم الطريقة المقترحة (Qwen2.5-ViT) عبر عدة معايلات:

معيار Magic Videos:
- حققت دقة (ACC) بنسبة 97.20% ومتوسط دقة (AP) بنسبة 93.28% في المتوسط.
- تفوقت بشكل كبير على أدوات كشف التزييف المتخصصة (مثل F3Net وTALL) وأدوات كشف الصور العامة (مثل NPR وEffort)، والتي واجهت صعوبات مع الديناميكيات الزمنية والدقة العالية للفيديوهات الحديثة.
- أظهرت أداءً قوياً عبر جميع المولدات الستة للاختبار، مع أعلى متوسط دقة (mACC) بين جميع النماذج المرجعية.
التقييم عبر مجموعات البيانات (Cross-Dataset Evaluation):
- اختبار DVF: حققت AUC بنسبة 97.6%، متفوقة على جميع النماذج المرجعية (التي جاء أقرب منافس لها بنسبة 95.4%).
- GenVideo-Val: حققت دقة (ACC) بنسبة 96.64% ومتوسط دقة (AP) بنسبة 96.13%، متفوقة على DeMamba (المدرب على 2.2 مليون عينة) رغم تدريبها على 140 ألف عينة فقط.
- DeepTraceReward: حققت دقة (ACC) بنسبة 97.2%، متجاوزة بشكل كبير النماذج اللغوية متعددة الوسائط الكبيرة (مثل GPT-5 وGemini 2.5 Pro) التي واجهت صعوبة في مهمة التصنيف الثنائي.
دراسات الاستئصال (Ablation Studies):
- الدقة (Resolution): حققت الدقة الديناميكية (حتى 720p) متوسط دقة بنسبة 89.92%، مقارنة بـ 73.69% عند تغيير الحجم العشوائي إلى 224p. وهذا يؤكد أن الحفاظ على الدقة الأصلية أمر بالغ الأهمية لكشف الآثار الدقيقة.
- السياق الزمني (Temporal Context): أدى زيادة الإطارات المأخوذة من 2 إلى 8 إلى تحسين الأداء من 82.93% إلى 88.60%.
- المتانة (Robustness): ظل النموذج دقيقاً للغاية تحت ضغط ضغط JPEG وH.264، متفوقاً على النماذج المرجعية حتى في ظل خفض الدقة الشديد.

5. الأهمية

تحول في النموذج الفكري: تتحدى الورقة المعيار الصناعي المتمثل في المعالجة المسبقة ذات الدقة الثابتة، وتثبت أن المعالجة "بالمقياس الأصلي" ضرورية لكشف التزييف المتطور بالذكاء الاصطناعي.
التعميم: من خلال التدريب على بيانات متنوعة وعالية الجودة دون قيود على الدقة، يتعلم النموذج ميزات تزييف قابلة للتعميم بدلاً من الإفراط في التخصيص (overfitting) لآثار مولدات أو أنماط دقة معينة.
الأثر العملي: يوفر إطار العمل دفاعاً قوياً ضد الجيل القادم من التزييف العميق، الذي أصبح يزداد واقعية فوتوغرافية ويتم إنتاجه بدقات عالية. إنه يضع معياراً جديداً لأبحاث كشف المحتوى المُنشأ بالذكاء الاصطناعي مستقبلاً، مؤكداً على أهمية جودة البيانات والأمانة الهيكلية للإشارة المدخلة.