CAM-VFD: Cross-Attention Multimodal Video Forgery Detection
يُعد CAM-VFD إطار عمل مبتكرًا متعدد الوسائط يعتمد على الانتباه المتقاطع، حيث يقوم بالكشف عن فيديوهات التزييف العميق من خلال نمذجة التناقضات بين الوسائط عبر سمات المظهر والحركة والعمق، محققًا بذلك دقة فائقة ومتانة ضد مختلف الاضطرابات في مجموعات البيانات المرجعية.
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 يحاول رصد فيديو مزيف. في الماضي، كان كشف التزييف سهلاً لأن الفيديوهات كانت تبدو "غير طبيعية" بطرق واضحة؛ مثل وجه لا يرمش بشكل صحيح أو خلفية تومض. لكن ذكاء اليوم الاصطناعي أصبح ذكياً جداً لدرجة أنه يمكنه صنع فيديوهات تبدو مثالية إذا نظرت إلى الصورة فقط، أو مثالية إذا شاهدت الحركة فقط. إنهم يشبهون المزور البارع الذي يرسم لوحة مثالية لكنه ينسى رسم الظل بشكل صحيح، أو يكتب قصة مثالية لكنه يخطئ في التسلسل الزمني.
تقدم الورقة البحثية أداة كشف جديدة تسمى CAM-VFD. وبدلاً من مجرد النظر إلى شيء واحد (مثل الوجه أو الحركة)، يعمل CAM-VFD كـ نظام فحص ثلاثي يتساءل: "هل مظهر هذا الشخص يتوافق مع طريقة حركته، وهل يتوافق ذلك مع الشكل ثلاثي الأبعاد للعالم من حوله؟"
إليك كيف يعمل ذلك، باستخدام تشبيهات بسيطة:
1. الشهود الثلاثة
يستدعي النظام ثلاثة "شهود" مختلفين للإدلاء بشهادتهم حول الفيديو:
- شاهد المظهر (CLIP): ينظر إلى ماهية الأشياء من حيث الشكل. فهو يفحص الأنسجة، والألوان، وما إذا كان الوجه يبدو حقيقياً.
- شاهد الحركة (VideoMAE): يراقب كيفية تحرك الأشياء. فهو يفحص ما إذا كانت مشية الشخص تبدو طبيعية أو إذا كانت الأشياء تطفو بشكل غريب.
- شاهد العمق (MiDaS): يعمل مثل ماسح ضوئي ثلاثي الأبعاد. فهو يفحص الهندسة والمسافات بين الأشياء ليرى ما إذا كان العالم يمتلك شكلاً واقعياً.
2. استجواب "الاهتمام المتقاطع" (Cross-Attention)
معظم أدوات الكشف القديمة كانت تكتفي بسؤال الشهود الثلاثة لإعطاء آرائهم بشكل منفصل ثم تأخذ برأي الأغلبية. فإذا قال شاهد المظهر "حقيقي" وشاهد الحركة "مزيف"، فقد يرتبك النظام القديم.
أما CAM-VFD فيفعل شيئاً أكثر ذكاءً. فهو يعامل المظهر كـ محقق رئيسي ويعامل الشاهدين الآخرين كـ متخصصين.
- المحقق الرئيسي (المظهر) يرفع صورة للمشهد ويسأل متخصص الحركة: "هل هذه الحركة منطقية لهذا الوجه تحديداً؟"
- ثم يسأل متخصص العمق: "هل الشكل ثلاثي الأبعاد لهذا الوجه يتوافق مع مظهره؟"
إذا كان الفيديو الناتج عن الذكاء الاصطناعي مزيفاً، فسيلاحظ "المحقق الرئيسي" أن المتخصصين يقدمون إجابات متناقضة. على سبيل المثال، قد يبدو الوجه مثالياً، لكن متخصص الحركة سيقول: "مهلاً، هذه الذراع تتحرك عبر الهواء كأنها شبح،" أو سيقول متخصص العمق: "هذا الأنف مسطح كالفطيرة، رغم أنه يبدو ثلاثي الأبعاد."
3. إنذار "التناقض"
تزعم الورقة البحثية أنه بينما يمكن للذكاء الاصطناعي جعل جزء واحد من الفيديو يبدو مثالياً، فإنه يواجه صعوبة في جعل العلاقة بين الأجزاء مثالية.
- الفيديو الحقيقي: المظهر والحركة والشكل ثلاثي الأبعاد جميعها تتفق مع بعضها البعض. وتكون "درجة التناقض" منخفضة.
- الفيديو المزيف: الأجزاء لا تتفق. وترتفع "درجة التناقض".
لقد اختبر الباحثون ذلك من خلال تشغيل النظام على مكتبتين ضخمتين من الفيديوهات (GenVidBench و GenVideo). ووجدوا أن:
- النظام دقيق للغاية (أكثر من 95% دقة)، حتى عندما لم يسبق له رؤية أداة الذكاء الاصطناعي المحددة التي صنعت الفيديو المزيف من قبل.
- من الصعب جداً خداعه. فحتى لو قمت بتغبيش الفيديو، أو إضافة ضجيج، أو ضغط جودته (كما يحدث عند إرسال فيديو عبر واتساب)، فلا يزال النظام يرصد التناقضات.
- هو أصعب في الخداع من غيره من أفضل أدوات الكشف، خاصة عندما يكون الفيديو ناتجاً عن أدوات ذكاء اصطناعي جديدة لم يسبق للنظام رؤيتها.
الخلاصة
فكر في CAM-VFD ليس ككاميرا تبحث عن أخطاء في البكسلات، بل كـ مدقق منطقي. هو لا يسأل فقط، "هل هذه الصورة حقيقية؟"، بل يسأل: "هل فيزياء هذا المشهد منطقية؟" إذا كان الفيديو الناتج عن الذكاء الاصطناعي يحتوي على خلل منطقي بين كيفية ظهور الشيء وكيفية حركته أو استقراره في الفضاء، فإن CAM-VFD يطلق الإنذار.
ويخلص المؤلفون إلى أن هذا "التناقض بين الوسائط" (عدم التطابق بين الحواس) هو دليل أقوى بكثير لكشف التزييف من مجرد البحث عن العيوب البصرية وحدها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.