Micro-Defects Expose Macro-Fakes: Detecting AI-Generated Images via Local Distributional Shifts

ملخص تقني: العيوب الدقيقة تكشف التزييف الكلي (MDMF)

بيان المشكلة
أدت التطورات الأخيرة في النماذج التوليدية العميقة، وخاصة البنى القائمة على الانتشار (مثل Stable Diffusion وDALL·E وMidjourney)، إلى إنتاج صور ذات دقة بصرية عالية، مما جعل التمييز بين المحتوى الحقيقي والمحتوى المولّد بواسطة الذكاء الاصطناعي أمراً صعباً بشكل متزايد. تعتمد طرق الكشف الحالية غالباً على مستخرجات الميزات مسبقة التدريب وتتعامل مع الكشف كمهمة تصنيف عالمية (Global Classification). يجادل المؤلفون بأن هذه النهج تعتمد بشكل مفرط على المحتوى الدلالي العالمي، مما يؤدي إلى إضعاف الآثار الجنائية (Forensic Artifacts) الدقيقة على المقياس الصغير. تميل المولدات الحديثة إلى ترك عدم انتظام إحصائي محلي ومبعثر بدلاً من عدم اتساق عالمي. وعند تجميع هذه الإشارات المحلية في تمثيل عالمي واحد، يتم قمعها غالباً بواسطة الميزات الدلالية المهيمنة، مما يؤدي إلى كواشف تصنف بناءً على دلالات الأشياء (مثل "قطة مقابل كلب") بدلاً من آثار التوليد.

المنهجية
يقترح البحث إطار عمل "العيوب الدقيقة تكشف التزييف الكلي" (MDMF)، وهو مصمم لتضخيم الانحرافات الإحصائية المحلية الطفيفة وتحويلها إلى تباينات توزيعية كليّة مستقرة. تتكون المنهجية من ثلاثة مكونات أساسية:

1. توقيع الجنائيات الرقعي (Patch Forensic Signature - PFS):

   • بدلاً من معالجة الصورة كمتجه عالمي واحد، يقوم MDMF بتفكيك الصور إلى رقع محلية (Patches) باستخدام عمود فقري رؤي مسبق التدريب ومجمد (مثل DINOv2).
   • تقوم دالة إسقاط قابلة للتعلم، $\phi_\theta$ (وهي عبارة عن MLP خفيف الوزن)، برسم خرائط لتمثيلات الرقع الدلالية (Semantic Patch Embeddings) إلى فضاء كامن جنائي مخصص.
   • يتم تدريب هذا الإسقاط لإعادة تمثيل التمثيلات (Embeddings)، وتحديداً عبر كبح التباينات الدلالية مع الحفاظ على عدم الانتظام الإحصائي الناتج عن عملية التوليد وتضخيمه. وهذا يخلق "توقيعاً" لكل رقعة يكون مهتماً بالآثار (Artifact-dominant) بدلاً من كونه مهتماً بالدلالات (Semantics-dominant).

2. الكشف التوزيعي عبر التباين الأقصى للمتوسط (Maximum Mean Discrepancy - MMD):

   • بدلاً من تجميع درجات الرقع عبر التجميع البسيط (Pooling) (الذي يمكن أن يؤدي إلى متوسط يمحو الإشارات المبعثرة)، يعامل MDMF مجموعة توقيعات الرقع في الصورة كـ "توزيع".
   • يستخدم التباين الأقصى للمتوسط (MMD) لقياس الفرق التوزيعي بين توقيعات رقع الصورة وبين مجموعة مرجعية من الصور الحقيقية.
   • يستخدم إطار العمل نواة غاوسية عميقة (Deep Gaussian Kernel) لقياس هذا التباين. تهدف دالة الهدف (Training Objective) إلى تعظيم معيار قوة الاختبار المنظم، مما يحسن أوزان الإسقاط ($\theta$) وعرض النطاق الترددي للنواة ($\gamma$) لتحقيق أقصى قدر من الفصل بين التوزيعات الحقيقية والمولدة.

3. الأساس النظري:

   • يقدم المؤلفون تحليلاً نظرياً يعتمد على "نموذج العيب المبعثر" (Sparse Defect Model). لقد أثبتوا أنه تحت افتراضات محددة (تمثيلات رقع تحت التوزيع الغاوسي، وعيوب محلية مبعثرة)، فإن نمذجة PFS على مستوى الرقعة تؤدي إلى إزاحة متوسط ($\Delta_{PFS}$) أكبر بشكل مثبت مقارنة بالتجميع العالمي ($\Delta_{global}$).
   • وتحديداً، يتناسب هذا التحول مع عدد الرقع $K$ (أي $\|\Delta_{PFS}\|^2 \approx K \|\Delta_{global}\|^2$)، مما يوضح أن النمذجة المحلية تمنع تمييع الإشارات الجنائية.
   • كما يثبت التحليل ضمانات التركيز في العينات المحدودة، مما يظهر أن درجة MMD التجريبية تفصل بشكل موثوق بين الصور الحقيقية والمولدة عندما يكون التباين على مستوى المجتمع موجباً.

المساهمات الرئيسية

• منظور جديد: يقدم البحث منظور كشف توزيعي يعامل الصور كمجموعات من الأدلة البصرية المحلية، مجادلاً بأن آثار التوليد الحديثة تظهر كانحرافات إحصائية طفيفة بدلاً من عدم اتساق عالمي.
• توقيع الجنائيات الرقعي (PFS): تمثيل قابل للتعلم يعيد تمثيل التمثيلات الدلالية إلى فضاء كامن مصمم لكبح الثباتات الدلالية مع تضخيم آثار التوليد.
• إطار عمل MDMF: نظام كشف يجمع الأدلة الجنائية المحلية عبر MMD. يثبت التحليل النظري قدرة الفصل بين الصور الحقيقية والمولدة، ويتجنب الإطار الحاجة إلى ضبط معقد للعتبات (Threshold Tuning) المرتبط بالتصويت لكل رقعة.
• تقييم شامل: تجارب واسعة النطاق عبر عدة معايض (ImageNet، LSUN-Bedroom، GenImage، WildRF، LDMFakeDetect) ودراسة حالة لنماذج الفيديو المولدة بواسطة OpenSora.

النتائج التجريبية

• أداء المعايض (Benchmark Performance): يتفوق MDMF باستمرار على النماذج المرجعية المتطورة (بما في ذلك CNNspot، Ojha، DIRE، PatchCraft، FatFormer، وF-ConV) عبر نمابذج توليدية متنوعة (GANs، Diffusion، Transformers). في معيار ImageNet، يحقق MDMF متوسط AUROC بنسبة 95.65% وAP بنسبة 97.07%، متفوقاً على أفضل الطرق القائمة على التدريب السابقة.
• التعميم (Generalization): يظهر الأسلوب قدرة قوية على التعميم على المولدات غير المرئية، بما في ذلك نماذج الانتشار الحديثة (مثل DiT، LDM) ونماذج توليد الفيديو (OpenSora)، حيث يتدهور أداء العديد من الكواشف الحالية بشكل كبير.
• المتانة (Robustness): يظهر MDMF صموداً فائقاً أمام اضطرابات المعالجة اللاحقة الشائعة، بما في ذلك ضغط JPEG، والتمويه الغاوسي (Gaussian Blur)، والضجيج الغاوسي. وتتسع الفجوة في الأداء بين MDMF والنماذج المرجعية مع زيادة شدة الاضطراب.
• دراسات الاستئصال (Ablation Studies):
  • PFS مقابل العالمي (Global): استبدال التجميع العالمي بنمذجة PFS يحسن الأداء بشكل كبير، مما يؤكد أن الأدلة المحلية أكثر فعالية من الميزات العالمية المهيمنة دلالياً.
  • MMD مقابل التجميع (Aggregation): اقتران PFS مع MMD يؤدي إلى أداء أعلى من استخدام PFS مع آلية الانتباه البسيطة أو التجميع المتوسط، مما يثبت صحة النهج التوزيعي.
  • دقة الرقعة (Patch Granularity): يظهر الأسلوب اعتماداً غير خطي على حجم الرقعة، حيث توفر الدقة المتوسطة (مثل $W=32$) التوازن الأمثل بين التقاط التحولات المحلية والحفاظ على استقرار التقدير.
  • التصويت الصارم (Hard Voting): يتفوق MDMF على استراتيجيات التصويت الصارم على مستوى الرقعة عبر جميع العتبات المختبرة، مما يثبت أن الاختبار التوزيعي المستمر أكثر موثوقية من القرارات المنفصلة لكل رقعة.

الأهمية والادعاءات
يزعم البحث أن MDMF يوفر إطار عمل مبدئياً ومتيناً للكشف عن الصور المولدة بالذكاء الاصطناعي من خلال نقل التركيز من الدلالات العالمية إلى عدم الانتظام الإحصائي المحلي. ومن خلال الإثبات الرياضي بأن النمذجة على مستوى الرقعة تضخم العيوب المبعثرة، ومن خلال الإثبات التجريبي للتفوق في أداء مختلف المعايض (بما في ذلك البيانات الواقعية وإطارات الفيديو)، يجادل المؤلفون بأن منظورهم التوزيعي يعالج بفعالية قيود الكواشف الحالية المثقلة بالدلالات. يتم تقديم الطريقة كخطوة هامة نحو كشف موثوق في عصر تنتج فيه النماذج التوليدية محتوى واقعياً للغاية ويفتقر للآثار الواضحة. كما يسلط المؤلفون الضوة على قابلية التفسير في الطريقة، حيث تسمح التوقيعات على مستوى الرقعة بتصور الأدلة الجنائية المحلية، مما يساعد في تدقيق قرارات الكشف.