💻 computer science

Boosting Robust AIGI Detection with LoRA-based Pairwise Training

تقترح هذه الورقة استراتيجية تدريب زوجي قائمة على تقنية LoRA (LPT) تدمج بين الضبط الدقيق المستهدف لنموذج بصري تأسيسي وبين محاكاة التشوه والحجم لفصل التعميم عن المتانة، مما يؤدي إلى تحسين أداء كشف الصور المولدة بواسطة الذكاء الاصطناجعي بشكل كبير في ظل وجود تشوهات شديدة من العالم الحقيقي.

المؤلفون الأصليون: Ruiyang Xia, Qi Zhang, Yaowen Xu, Zhaofan Zou, Hao Sun, Zhongjiang He, Xuelong Li

نُشر 2026-04-15

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ruiyang Xia, Qi Zhang, Yaowen Xu, Zhaofan Zou, Hao Sun, Zhongjiang He, Xuelong Li

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 رقمي، ومهمتك هي رصد الصور المزيفة التي أنشأها الذكاء الاصطناعي.

في الماضي، كان هذا الأمر سهلاً؛ حيث كانت الصور المزيفة تحتوي على "أخطاء" واضحة — مثل نمط مربعات غريب على قميص أو ظل غريب. كان تدريبك كمحقق مثاليًا في رصد هذه الأخطاء داخل استوديو نظيف ومنضبط.

لكن الآن، أصبح الأشرار أكثر ذكاءً. فهم يأخذون الصور المزيفة ويمررونها عبر "ممر من العقبات" من الفوضى الواقعية: يضغطونها لمنصة إنستغرام، أو يضيفون إليها التمويه (Blur)، أو يقصونها، أو يضيفون إليها الضجيج (Noise)، ويغيرون سطوعها. فجأة، تفشل مهاراتك القديمة كمحقق؛ تختفي تلك الأخطاء، وتبدو الصور المزيفة حقيقية تماماً مثل الصور الأصلية.

تقدم هذه الورقة البحثية استراتيجية جديدة تسمى LPT (التدريب الزوجي القائم على LoRA) لحل هذه المشكلة. وإليك كيف تعمل، مشروحة ببساطة:

1. المشكلة: "البرية" مقابل "الاستوديو"

فكر في بيانات التدريب كأنها صالة ألعاب رياضية للتدريب.

المكتشفون القدامى: تدربوا في صالة ألعاب رياضية هادئة ونظيفة ذات إضاءة مثالية. هم بارعون في رصد التزييف داخل الصالة، لكنهم يصابون بالارتباك بمجرد خروجهم إلى العالم الخارجي الفوضوي والممطر والموحِل (وسائل التواصل الاجتماعي).
التحدي: تشير الورقة إلى أن الصور في العالم الحقيقي فوضوية؛ فهي مشوهة، ومُعاد تغيير حجمها، ومضغوطة. إذا لم يتم تدريب المكتشف الخاص بك على التعامل مع هذه الفوضى، فسيقع في الخطأ.

2. الحل: ثلاث قدرات خارقة

بنى المؤلفون محققاً جديداً باستخدام ثلاث حيل محددة:

الحيلة (أ): تدريب "الحرباء" (محاكاة البيانات)

بدلاً من عرض صور نظيفة فقط على المحقق، قاموا بـ محاكاة الفوضى أثناء التدريب.

التشبيه: تخيل تدريب جندي ليس فقط في ساحة عرض عسكرية، بل عبر رمي الطين والرمل والماء عليه أثناء ممارسته للتدريب.
كيف فعلوا ذلك: أخذوا صور التدريب و"أفسدوها" عمداً بنفس الأشياء التي تفعلها وسائل التواصل الاجتماعي (التمويه، الضجيج، الألوان الغريبة، تغيير الحجم). حتى أنهم جعلوا عملية "الإفساد" أقوى من المعتاد لجعل المحقق شديد الصلابة. هذا يضمن أن يتعلم المحقق رصد التزييف حتى عندما تكون الصورة تالفة.

الحيلة (ب): "النظارات الذكية" (ضبط LoRA الدقيق)

يحتاج المحقق إلى عقل قوي. استخدموا نموذج ذكاء اصطناعي ضخم مدرب مسبقاً (يسمى EVA-CLIP) يعرف بالفعل كيف يبدو العالم.

التشبيه: بدلاً من تعليم طفل صغير كيف يرى (وهو أمر يستغرق وقتاً طويلاً)، أعطوا المحقق نظارات عالية التقنية تعرف بالفعل كل شيء عن العالم.
اللمسة المميزة: لم يرغبوا في إعادة تدريب العقل بالكامل (لأن ذلك بطيء وقد يجعل المحقق ينسى كيف يبدو شكل الشجرة "الحقيقية"). بدلاً من ذلك، استخدموا تقنية تسمى LoRA. فكر في LoRA كإضافة ملاحظات لاصقة (Sticky Notes) إلى النظارات؛ أنت تغير الملاحظات فقط لتساعد المحقق على رصد التزييف الناتج عن الذكاء الاصطناعي، مع الحفاظ على بقية معرفة النظارات كما هي. هذا الأسلوب سريع، فعال، ويمنع "النسيان".

الحيلة (ج): تمرين "التوأم" (التدريب الزوجي)

هذا هو الجزء الأكثر ذكاءً. عادةً، تقوم بتدريب نموذج على صور فوضوية، فيصبح جيداً في الصور الفوضوية ولكنه يصبح سيئاً في الصور النظيفة.

التشبيه: تخيل ملاكماً يتدرب. إذا كان يتدرب فقط باستخدام قفازات ثقيلة ومتسخة، فقد يصبح بطيئاً عند استخدام يديه عاريتين.
الإصلاح: في كل جلسة تدريبية، ينظر المحقق إلى صورتين في وقت واحد:
1. صورة نظيفة.
2. نسخة مشوهة (فوضوية) من نفس الصورة.
يُجبر المحقق على القول: "هذان هما نفس الشخص، رغم أن أحدهما موحل والآخر نظيف".
النتيجة: يتعلم الذكاء الاصطناعي تجاهل الطين (التشويه) والتركيز على الشخص (الحقيقة الكامنة). إنه يتعلم أن الوجه المزيف يظل وجهاً مزيفاً، سواء كان ضبابياً أو حاداً.

3. النتيجة: محقق من الطراز الرفيع

اختبر الفريق هذا المحقق الجديد في مسابقة كبرى (NTIRE 2026) حيث تم تشويه الصور عمداً لتكون صعبة الكشف للغاية.

النتيجة: حققت طريقتهم المركز الثالث عالمياً.
لماذا يهم هذا؟ لقد أثبتوا أنه من خلال التدريب على بيانات "فوضوية" واستخدام المقارنات "الزوجية"، يمكنك بناء ذكاء اصطناعي لا يعمل في المختبر فحسب، بل يعمل فعلياً في العالم الحقيقي حيث تكون الصور دائماً غير مثالية.

الملخص

باخت_صار، تقول هذه الورقة: "لا تعلموا الذكاء الاصطناعي الخاص بكم رصد التزييف في عالم مثالي فحسب. علموه رصد التزييف في عالم حقيقي، فوضوي ومكسور، من خلال إظهار 'توائم' له — واحد نظيف والآخر تالف — وإجباره على رؤية الحقيقة في كليهما."

إليك ملخص تقني مفصل لورقة البحث بعنوان "تعزيز الكشف القوي عن الصور المولدة بواسطة الذكاء الاصطناعي باستخدام التدريب الزوجي القائم على LoRA" (LPT).

1. بيان المشكلة

أدى التقدم السريع في تقنيات الصور المولدة بواسطة الذكاء الاصطناعي (AIGI) (مثل نماذج الانتشار Diffusion Models، وشبكات GANs) إلى خلق حاجة ماسة لأنظمة كشف. ومع ذلك، تواجه الكواشف الحالية فجوة نطاق (Domain Gap) كبيرة:

الضعف في "البيئة الواقعية" (In-the-Wild): يتم تدريب معظم الكواشف على مجموعات بيانات نظيفة وغير مضغوطة. في السيناريوهات الواقعية (وسائل التواصل الاجتماعي، تطبيقات المراسلة)، تتعرض الصور لتدهورات معقدة ومتعددة المراحل (ضغط JPEG، تغيير الحجم، التغبيش، الضجيج، والقص).
انهيار الأداء: تعمل هذه التشوهات على تدمير الآثار عالية التردد (high-frequency artifacts) والتشوهات النقطية الدقيقة التي تعتمد عليها الكواشف التقليدية، مما يسبب انخفاضاً كارثياً في دقة الكشف عند النشر في البيئات الواقعية.
عدم تطابق توزيع البيانات: هناك تباين بين بيانات التدريب (التي غالباً ما تكون كاملة الدقة ونظيفة) وبيانات التحقق/الاختبار (التي غالباً ما تكون مشوهة، أو تم تغيير حجمها، أو تحتوي فقط على معلومات دلالية محلية).

2. المنهجية: التدريب الزوجي القائم على LoRA (LPT)

يقترح المؤلفون استراتيجية ثلاثية المحاور لتحقيق كشف قوي: محاكاة توزيع البيانات، الضبط الدقيق الفعال للمعلمات، والتدريب الزوجي.

أ. محاكاة توزيع البيانات

لسد الفجوة بين التدريب والظروف الواقعية، يقوم المؤلفون بمحاكاة الخصائص المحددة لمجموعات التحقق والاختبار أثناء التدريب:

محاكاة التشوه الشديد: بدلاً من عمليات التعزيز القياسية، قدموا "مجمع تشوه قائم على التوزيع الطبيعي" (Gaussian-based Distortion Pool) يتضمن تغبيش Gaussian/Lens، وضجيج Impulse/Speckle، وتحولات الألوان، وتحولات منحنى النغمة (Tone curve)، وأنماط المواريه (Moiré patterns).
تضخيم القوة: قاموا عمداً بزيادة شدة التشوه عن طريق ضبط المتوسط ( $\mu$ ) لتوزيع العينات الطبيعية عند الرقم 3، مما يجبر النموذج على التعلم من مدخلات متدهورة بشدة.
محاكاة الحجم والقص: إدراكاً منهم بأن صور الاختبار غالباً ما تمتلك نسب عرض إلى ارتفاع مختلفة أو تكون مقصوصة، استخدموا خوارزمية مخصصة لـ القص العشوائي وتغيير الحجم (الخوارزمية 1). تولد هذه الخوارزمية عمليات قص أكبر وأصغر لمحاكاة المعلومات الدلالية المحلية والمناطق غير الدلالية الموجودة في الواقع.

ب. بنية النموذج والضبط الدقيق

النموذج الأساسي (Backbone): يستخدم الإطار نموذج EVA-CLIP، وهو نموذج رؤية تأسيسي واسع النطاق معروف بتمثيله الدلالي القوي.
تقنية LoRA (التكيف منخفض الرتبة): لتجنب "النسيان الكارثي" (حيث يفقد النموذج معرفته العامة المسبقة) ولتقليل التكلفة الحسابية، لا يقوم المؤلفون بضبط دقيق كامل للنموذه. بدلاً من ذلك، يقومون بتجميد الأوزان المسبقة وحقن وحدات LoRA قابلة للتدريب في كتل الانتباه الذاتي متعدد الرؤوس (MHSA) وشبكة التغذية الأمامية (FFN). يسمح هذا للنموذج بالتكيف مع آثار الصور المولدة بالذكاء الاصطناعي مع الحفاظ على قدراته العامة القوية.

ج. استراتيجية التدريب الزوجي

الابتكار الجوهري هو آلية التدريب الزوجي (Pairwise Training) المصممة لفصل القدرة على التعميم (الأداء على الصور النظيفة) والقدرة على المتانة (الأداء على الصور المشوهة):

الآلية: يحتوي كل دفعة تدريب (Batch) على أزواج من العينات النظيفة ونظيراتها المشوهة.
تصحيح الميزات: بينما يستخرج النموذج الأساسي الميزات لكليهما، يتم تمرير الميزات من الصور المشوهة عبر شبكة تغذية أمامية (FFN) مساعدة مخصصة. تعمل هذه الشبكة كـ "مرساة دلالية" (semantic anchor)، مما يجبر الميزات التالفة على العودة إلى المساحة الدلالية النقية للصورة النظيفة.
دالة الخسارة المشتركة: يتم تحسين النموذج باستخدام دالة خسارة مركبة ( $\mathcal{L}$ $L$ ):
$\mathcal{L} = \mathcal{L}_{CE} + \alpha \cdot \mathcal{L}_{KL} + \beta \cdot \mathcal{L}_{MSE}$
- $\mathcal{L}_{CE}$ : الإنتروبيا المتقاطعة (Cross-entropy) لتصنيف دقيق.
- $\mathcal{L}_{KL}$ : تباعد كولباك - ليبلر (Kullback-Leibler divergence) لمحاذاة توزيعات المخرجات التنبؤية بين الأزواج النظيفة والمشوهة.
- $\mathcal{L}_{MSE}$ : متوسط مربع الخطأ (Mean Squared Error) لتقليل المسافة بين التمثيلات الميزية عالية الأبعاد للعينات النظيفة والعينات المشوهة المصححة.
- المعلمات الفائقة: $\alpha = 0.5$ ، $\beta = 0.25$ .

3. المساهمات الرئيسية

إطار عمل قوي: تقديم LPT، وهي استراتيجية مصممة خصيصاً للتعامل مع التشوهات الشديدة وغير المتوقعة في كشف الصور المولدة بالذكاء الاصطناعي.
محاكاة البيانات: تطوير خط معالجة لمحاكاة البيانات يحاكي بيئة التشوهات المعقدة والمتعددة لوسائل التواصل الاجتماعي، بما في ذلك تغيرات الحجم والضجيج والتغبيش الشديد.
التكيف الفعال للمعلمات: تكييف نموذج تأسيسي ضخم (EVA-CLIP) لكشف الصور المولدة بالذكاء الاصطناعي باستخدام LoRA، مما يوازن بين الدقة العالية والحفاظ على التعميم المسبق.
التحسين المنفصل: اقتراح استراتيجية تدريب زوجي مبتكرة تمنع المقايضة بين دقة الصور النظيفة والمتانة من خلال محاذاة المساحات الميزية بشكل صريح.

4. النتائج التجريبية

تم تقييم النهج في تحدي NTIRE 2026 للكشف القوي عن الصور المولدة بالذكاء الاصطناعي في البيئة الواقعية.

أداء المسابقة:
- حصل على المركز الثالث إجمالاً.
- حقق 92.15% AUC في مجموعة الاختبار الصعبة العامة (Public Test Hard Set) و92.50% AUC في مجموعة الاختبار الصعبة الخاصة (Private Test Hard Set).
- تفوق على العديد من المنافسين الرئيسيين (مثل INTSIG وvincentlc) وأظهر متانة فائقة مقارنة بطرق التجميع (Ensemble methods) القياسية.
دراسات الاستئصال (Ablation Studies):
- التدريب الزوجي: أدت إضافة تباعد KL ومحاذاة MSE إلى تحسين AUC بشكل كبير في المجموعات المشوهة (من ~87.9% إلى ~89.3% في الاختبار العام).
- محاكاة التشوه: أدى زيادة قوة التشوه وإضافة أنواع ضجيج محددة (مثل المواريه ومنحنيات النغمة) إلى تحسين القدرة على التعميم.
- اختيار النموذج: تفوق نموذج EVA-CLIP على نماذج CLIP وMeta-CLIP2 القياسية، مما يؤكد صحة اختيار نموذج تأسيسي عالي النطاق.
المقارنة مع أحدث التقنيات (SOTA): في اختبار ForenSynths، حقق LPT متوسط دقة بلغ 93.82% تحت تشوهات مختلفة (JPEG، ضجيج، تغبيش)، متفوقاً بشكل كبير على الطرق السابقة مثل RINE وDDA، والتي عانت من انخفاض الأداء تحت تأثير التشوه.

5. الأهمية

تعالج هذه الورقة أهم عقبة في كشف الصور المولدة بالذكاء الاصطناعي حالياً: القابلية للتطبيق في العالم الحقيقي. من خلال نقل التركيز من الآثار عالية التردد الهشة إلى التمثيلات الدلالية عالية المستوى المرنة، ومن خلال محاكة البيئة "الواقعية" بصرامة أثناء التدريب، يثبت LPT أن النماذج التأسيسية يمكن تكييفها بفعالية للمهام الجنائية الرقمية. إن نجاح استراتيجية التدريب الزوجي يقدم نموذجاً جديداً لتدريب كواشف قوية تحافظ على دقة عالية للبيانات النظيفة مع بقائها فعالة ضد التشوهات المعقدة في العالم الحقيقي.