← أحدث الأبحاث
💻 computer science

SEED: A Large-Scale Benchmark for Provenance Tracing in Sequential Deepfake Facial Edits

تقدم هذه الورقة SEED، وهو معيار واسع النطاق يضم أكثر من 90,000 صورة ذات تعديلات وجهية متسلسلة، لمعالجة الفجوة في تتبع مصدر التزييف العميق متعدد الخطوات، وتقترح FAITH، وهو نموذج Transformer مدرك للتردد يعمل بفعالية على تجميع الإشارات المكانية وإشارات المجال الترددي لتحديد وترتيب أحداث التعديل الكامنة.

المؤلفون الأصليون: Mengieong Hoi, Zhedong Zheng, Ping Liu, Wei Liu

نُشر 2026-04-15
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Mengieong Hoi, Zhedong Zheng, Ping Liu, Wei Liu

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 تنظر إلى صورة لصديق لك. للوهلة الأولى، تبدو حقيقية. ولكن بعد ذلك تلاحظ شيئًا غريبًا: شعرهم بلون أزرق زاهٍ، ويرتدون قبعة لا تناسب مقاسهم تمامًا، وأعينهم بلون مختلف عن المعتاد.

في الماضي، كان اكتشاف الصور المزيفة يشبه العثور على خطأ مطبعي واحد في جملة؛ كنت تبحث فقط عن خطأ واحد. أما اليوم، فإن أدوات الذكاء الاصطปี (مثل "نماذج الانتشار" أو diffusion models) أصبحت بارعة جدًا في تعديل الصور خطوة بخطوة، مثل طاهٍ يضيف المكونات واحدًا تلو الآخر إلى الحساء. أولاً، يغير لون الشعر. ثم يضيف قبعة. ثم يعدل لون العينين. وبحلول الوقت الذي تكتمل فيه الصورة، تبدو واقعية للغاية، لكنها في الواقع نتيجة لسلسلة طويلة من الأحداث الخفية.

تقدم هذه الورقة البحثية أداة جديدة تسمى SEED لمساعدتنا في معرفة كيف تم صنع ذلك الحساء، خطوة بخوة.

إليك تفصيل الورقة بكلمات بسيطة:

1. المشكلة: "كعكة الطبقات الرقمية"

تخيل أن صورة التزييف العميق (deepfake) هي كعكة طبقات.

  • التزييف العميق القديم: كان يشبه كعكة تحتوي على طبقة واحدة غريبة فقط (مثل استبدال وجه ما). كان من السهل رصد الطبقة "المزيفة".
  • التزييف العميق الجديد (مشكلة SEED): يشبه كعكة قام أحدهم بإضافة طبقة من الكريمة إليها، ثم رش بعض السكر، ثم أضاف كرزة، ثم غير لون الكريمة. كل خطوة جديدة تخفي آثار الخطوات السابقة. الكعكة النهائية تبدو لذيذة، ولكن إذا حاولت تخمين الوصفة بمجرد النظر إلى الأعلى، فقد تخطئ.

الأدوات الحالية بارعة في قول: "هذه الكعكة مزيفة!"، لكنها سيئة جدًا في قول: "أولاً أضافوا الكريمة، ثم أضافوا السكر، ثم غيروا اللون".

2. الحل: معيار SEED (كتاب الوصفات)

قام المؤلفون بإنشاء مجموعة بيانات ضخمة جديدة تسمى SEED (التحرير المتسلسل في نماذج الانتشار - Sequential Editing in Diffusion).

  • ما هي: لقد أخذوا 90,000 وجه حقيقي واستخدموا الذكاء الاصطناوي لتعديلها بترتيب محدد (من 1 إلى 4 خطوات).
  • السر المميز: على عكس مجموعات البيانات الأخرى التي تكتفي بالقول إن الصورة "مزيفة"، يحتفظ SEED بمذكرات مفصلة لكل صورة على حدة. فهو يعرف:
    • الخطوة 1: تغيير الشفاه لتصبح حمراء.
    • الخطوة 2: إضافة قبعة.
    • الخطوة 3: تغيير لون العين.
    • الخطوة 4: إضافة نظارات.
  • لماذا هذا مهم: هذا يسمح للباحثين بتدريب الذكاء الاصطناعي ليس فقط لرصد التزييف، بل لـ إعادة هندسة تاريخ التعديل. الأمر يشبه إعطاء محقق قائمة بالمشتبه بهم والطلب منه تحديد الترتيب الدقيق الذي دخل به المشتبه بهم إلى الغرفة.

3. التحدي: لماذا هذا صعب للغاية؟

اختبرت الورقة العديد من أدوات كشف الذكاء الاصطناعي الحالية على مجموعة بيانات SEED الجديدة، وفشلت معظمها.

  • التشبيه: تخيل محاولة العثور على آثار أقدام في غرفة حيث كان هناك شخص يمشي ذهابًا وإيابًا، ويمسح الأرضية، ثم يمشي مرة أخرى. آثار الأقدام تصبح مشوهة، ومغطاة، ومختلطة.
  • النتيجة: أدوات الذكاء الاصطناعي القياسية التي تنظر فقط إلى "الصورة" (الميزات المكانية) تعرضت للارتباك. لم تستطع التمييز ما إذا كانت القبعة قد أضيفت قبل أم بعد النظارات لأن التعديلات اللاحقة مسحت "آثار الأقدام" للتعديلات السابقة.

4. المحقق الجديد: FAITH (النظارات الأشعة السينية)

لحل هذه المشكلة، بنى المؤلفون نموذج ذكاء اصطناعي جديد يسمى FAITH.

  • كيف يعمل: بدلاً من مجرد النظر إلى الصورة كما يفعل البشر (مكانياً)، يرتدي FAITH نظارات أشعة سينية تنظر إلى الترددات (الأنماط الخفية للضوء والظلام).
  • الاستعارة: فكر في الصورة كأنها أغنية.
    • الرؤية المكانية: تسمع اللحن (الوجه، القبعة).
    • رؤية التردد: تسمع الضجيج في الخلفية والاهتزازات المحددة للآلات الموسيقية.
    • حتى عندما يتغير اللحن (إضافة القبعة)، فإن "الضجيج" أو "الاهتزاز" المحدد لعملية تعديل الذكاء الاصطناعي يترك بصمة فريدة وصغيرة لا تُمحى بسهولة.
  • السحر: يستخدم FAITH أداة رياضية تسمى تحويل المويجات (Wavelet Transform) (فكر فيها كمجهر فائق الدقة) للعثور على هذه البصمات الصغيرة عالية التردد. إنه يجمع بين رؤية "الصورة" ورؤية "الاهتزاز" لإعادة بناء تاريخ التعديل.

5. النتائج: هل نجح الأمر؟

  • الاختبار: اختبروا FAITH على صور تم ضغطها (مثل عند إرسال صورة عبر واتساب) أو تمت إضافة ضوضاء إليها (مثل الصور المحببة).
  • النتيجة: كان FAITH أفضل بكثير من الأدوات القديمة. حتى عندما كانت الصورة "متسخة" أو مضغوطة، استطاع FAITH سماع "الاهتزازات" لخطوات التعديل وتخمين الترتيب بشكل صحيح: "أولاً الشفاه، ثم القبعة، ثم العينين".
  • العقبة: لا يزال الأمر صعبًا عندما تكون هناك خطوات كثيرة جدًا (4 خطوات أو أكثر). الأمر يشبه محاولة تذكر وصفة بعد أن أضاف شخص ما 10 مكونات؛ في النهاية، تصبح الأدلة باهتة للغاية.

الملخص

  • SEED هو صالة ألعاب رياضية تدريبية ضخمة حيث يتعلم الذكاء الاصطناعي رصد تاريخ الصورة المزيفة، وليس فقط حقيقة كونها مزيفة.
  • FAITH هو البطل الجديد في تلك الصالة الرياضية. إنه يستخدم "رؤية التردد" لرؤية آثار تعديلات الذكاء الاصطناعي الخفية التي تفوتها الأدوات الأخرى.
  • لماذا نحتاج لهذا: مع تحسن قدرة الذكاء الاصطناعي على صنع تزييف مثالي، نحتاج إلى أدوات أفضل لا تكتفي بالقول "هذا مزيف"، بل تقول "إليك بالضبط كيف تم تزييفه، وبأي ترتيب". هذا أمر بالغ الأهمية لوقف المعلومات المضللة وحماية ثقتنا فيما نراه عبر الإنترنت.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →