Intermediate Representations are Strong AI-Generated Image Detectors

ملخص تقني: التمثيلات الوسيطة هي كواشف قوية للصور المولدة بواسطة الذكاء الاصطناعي

بيان المشكلة
أدى التقدم السريع في نماذج الذكاء الاصطناعي التوليدي (مثل شبكات GANs، وVAEs، ونماذج الانتشار/Diffusion Models) إلى تمكين إنشاء صور اصطناعية واقعية للغاية، مما أثار مخاوف كبيرة تتعلق بإساءة الاستخدام، والتزييف العميق (deepfakes)، وانتهاك حقوق الطبع والنشر، واحتمالية إفساد مجموعات بيانات التدريب المستقبلية. وبينما يعد الكشف الفعال أمراً حاسماً، تواجه الحلول الحالية معضلة: فالطرق القائمة على التدريب مكثفة حوسبياً وتواجه صعوبة في التعميم على نطاقات بيانات غير مرئية، بينما غالباً ما تظهر الطرق الخالية من التدريب أداءً أدنى في الكشف. تعتمد النهج الحالية الخالية من التدريب عادةً على التضمينات (embeddings) من الطبقة النهائية (المخرجات) للنماذج التأسيسية سابقة التدريب، وقد تغفل عن الميزات الأكثر تمييزاً المتوفرة في المراحل المبكرة من الشبكة.

المنهجية
يقترح المؤلفون إطار عمل للكشف يعتمد على البحث وخالٍ من التدريب، يستفيد من حساسية التمثيلات الوسيطة داخل النماذج التأسيسية للصور سابقة التدريب. الفرضية الأساسية هي أن فضاء التضمين للصور الحقيقية أكثر متانة تجاه الاضطرابات مقارنة بالصور المولدة بالذكاء الاصطناعي، وأن فجوة المتانة هذه تكون أكثر وضوحاً في الطبقات الوسيطة منها في طبقة المخرجات النهائية.

تعمل الطريقة على مرحلتين:

1. مرحلة التدريب/البحث: يتم إدخال زوج من الصور — صورة أصلية ($x$) ونسخة مضطربة منها ($\epsilon(x)$) — في مستخرج ميزات سابق التدريب ومجمد (مثل CLIP أو DINOv2). الاضطراب المستخدم هو تغبيش بؤري (defocus blur)، والذي يحافظ على الهياكل الدلالية العالمية مع إضعاف التفاصيل الدقيقة. يقوم النظام بحساب تشابه جيب التمام (cosine similarity) بين تضمينات الصور الأصلية والمضطربة عبر جميع الطبقات ($\ell = 1$ إلى $L$). باستخدام مجموعة فرعية صغيرة من البيانات التدريبية المصنفة، تبحث الخوارزمية عن الطبقة الوسيطة المثلى ($\ell_{opt}$) التي تزيد من درجة AUROC في التمييز بين أزواج الصور الحقيقية والمزيفة.
2. مرحلة الاستدلال: بمجرد تحديد $\ell_{opt}$، يستخدم الكاشف حصرياً التضمينات من هذه الطبقة الوسيطة المحددة لجميع التنبؤات المستقبلية. يتم إجراء تصنيف ثنائي بناءً على عتبة التشابه $\tau$: إذا كان تشابه جيب التمام $S(x, \epsilon(x), \ell_{opt}) < \tau$، تُصنف الصورة على أنها مولدة بالذكاء الاصطناعي.

من الأهمية بمكان أن أوزان النموذج وبنيته الأساسية تظل مجمدة طوال العملية؛ حيث لا يحدث أي ضبط دقيق (fine-tuning) أو تعديل للأوزان. "التدريب" يقتصر حصرياً على البحث عن مؤشر الطبقة الأمثل.

المساهمات الرئيسية

• تفوق الطبقات الوسيطة: يوضح العمل أن الطبقات الوسيطة تحتوي على تمثيلات أغنى وأكثر تعبيراً للكشف عن المحتوى المولد بالذكاء الاصطناعي من طبقة المخرجات النهائية. ويدعم ذلك تحليل البعد الجوهري (Intrinsic Dimension - ID)، الذي يكشف عن شكل "النتوء" (hump) للبعد الجوهري عبر عمق الشبكة (توسع في الطبقات المبكرة، وضغط في الطبقات اللاحقة). ويجادل المؤلفون بأن الأبعاد المضغوطة في الطبقة النهائية، رغم فائدتها للمهام اللاحقة مثل التصنيف، قد تتخلص من الفروق الدقيقة اللازمة للتمييز بين الصور الحقيقية والاصطناعية.
• إطار عمل قائم على البحث: يقدم المؤلفون خط معالجة بسيطاً وفعالاً يحدد طبقة الكشف المثلى دون تعديل النموذج التأسيسي، مما يسد الفجوة بين قدرة التعميم في الطرق الخالية من التدريب وأداء الطرق القائمة على التدريب.
• الحساسية للاضطرابات: تستغل الطريقة اختلاف متانة فضاءات التضمين تجاه التغبيش البؤري، حيث تُظهر تضمينات الصور الحقيقية تشابهاً أعلى تحت الاضطراب مقارنة بتضمينات الصور المولدة بالذكاء الاصطناعي عند مستويات وسيطة معينة.

النتائج التجريبية
تم تقييم الطريقة على معيارين شاملين: GenImage و Forensics Small.

• معيار GenImage: حققت الط المقترحة متوسط درجة AUROC بلغت 0.9296، متفوقة على أفضل خط أساس خالٍ من التدريب (RIGID، بنسبة 0.8128) بنسبة 14.37%، وعلى أفضل خط أساس قائم على التدريب (AIDE، بنسبة 0.8992) بنسبة 3.38%.
• معيار Forensics Small: أظهرت الطريقة تحسينات كبيرة، حيث حققت متوسط AUROC بلغ 0.8906. وهذا يمثل تحسناً بنسبة 39.61% عن أفضل طريقة خالية من التدريب (RIGID، بنسبة 0.6379) وتحسناً بنسبة 5.14% عن أفضل طريقة قائمة على التدريب (NPR، بنسبة 0.8471).
• دراسات الاستئصال (Ablation Studies):
  • مستخرجات الميزات: حقق استخدام CLIP نتائج متفوقة مقارنة بـ DINOv2، ويُعزى ذلك إلى البعد الجوهري الأعلى لـ CLIP في الطبقات الوسيطة.
  • أنواع الاضطرابات: أثبت التغبيش البؤري أنه الاضطراب الأكثر فعالية، ويرجع ذلك على الأرج Regel إلى الحفاظ على الهيكل العالمي مع إزالة الأنسجة الدقيقة حيث تظهر آثار التزييف بشكل متكرر.
  • حجم بيانات البحث: كانت المجموعة الفرعية المختارة عشوائياً من بيانات التدريب (30% من حجم مجموعة الاختبار) كافية لتحديد الطبقة المثلى، مع بقاء الأداء مستقراً حتى مع المجموعات الأصغر.

الأهمية والادعاءات
يدعي هذا العمل أن تضمينات المخرجات الشائعة المستخدمة في النماذج التأسيسية هي دون المستوى الأمثل للكشف عن الصور المولدة بالذكاء الاصطناائي. ومن خلال نقل التركيز إلى التمثيلات الوسيطة، يقدم المؤلفون طريقة تتسم بأنها فعالة حوسبياً (لا تتطلب ضبطاً دقيقاً للنموذج) وعالية الفعالية (تتفوق على أحدث الطرق القائمة على التدريب).

يضع المؤلفون هذا العمل كخطوة نحو علوم الأدلة الجنائية للوسائط الموثوقة والتي يمكن توسيع نطاقها مع النماذج التأسيسية المستقبلية للصور. ويؤكدون أن نهجهم لا ينشئ محتوى ضاراً، بل يوفر أداة للتخفيف من المخاطر المرتبطة بالذكاء الاصطناعي التوليدي، مثل انتهاك حقوق الطبع والنشر وانتشار المحتوى المزيف. ويشير العمل إلى أن "تعدد استخدامات" التمثيلات الوسيطة يمثل مورداً غير مستغل بالكامل لتطبيقات الأمن في مجال الذكاء الاصطناعي التوليدي.