ملخص تقني: VINA - الفيديو كتعزيز طبيعي للكشف الموحد عن المحتوى المولد بالذكاء الاصطناعي (AIGC)

1. بيان المشكلة

أدى التقدم السريع للمحتوى المولد بالذكاء الاصطناعي (AIGC) إلى حاجة ملحة لأجهزة كشف قادرة على التعميم عبر مصادر بيانات، ومسارات نشر، وأنماط بصرية متنوعة. وبينما تحقق أجهزة كشف الصور المولدة بالذكاء الاصطناعي (AIGI) المتطورة أداءً تنافسيًا في معايير الصور، تحدد هذه الورقة نمط فشل حرجًا ومتسقًا: تنهار أجهزة الكشف هذه عند تطبيقها على الإطارات المستخرجة من الفيديوهات المولدة بالذكاء الاصطناي (AIGV).

يجادل المؤلفون بأن التعامل مع كشف AIGI وAIGV كمهام منفصلة يترك فجوة أساسية في التعميم عبر الأنماط (cross-modal). تنشأ هذه الفجوة من مصدرين رئيسيين:

1. تحولات معالجة الفيديو المستقلة عن التوليد: تخضع إطارات الفيديو في العالم الحقيقي لعمليات تدهور معقدة ومتشابكة غير موجودة في مجموعات بيانات الصور القياسية، بما في ذلك ضغط الترميز (مثل H.264)، وضبابية الحركة (motion blur)، وتغيير الحجم، وتحويل نطاق الألوان المحدود (مثل نطاقات سطوع التلفاز). هذه التحولات تعمل على كبح الآثار الدقيقة عالية التردد التي تعتمد عليها أجهزة كشف الصور كطرق مختصرة (shortcuts).
2. البصمات الخاصة بالنماذج: تقدم مولدات الفيديو الحديثة آثارًا زمنية وبصمات متعلقة بالحركة تختلف بشكل كبير عن الآثار المكانية لمولدات الصور.

وبناءً على ذلك، تفشل أجهزة الكشف المدربة فقط على الصور في التعرف على التوزيعات الإحصائية وأنماط التدهور المحددة المتأصلة في إطارات الفيديو، مما يؤدي إلى انخفاض في الأداء يقترب من التخمين العشوائي في معايير الفيديو.

2. المنهجية: VINA

لمعالجة هذه الفجوة، يقترح المؤلفون VINA (الفيديو كتعزيز طبيعي - VIdeo as Natural Augmentation)، وهو إطار عمل موحد يتم تدريبه بشكل مشترك على بيانات الصور والفيديو لتحقيق كشف قوي عبر الأنماط.

الفلسفة الجوهرية

يعامل VINA إطارات الفيديو ليس مجرد مهمة منفصلة، بل كتعزيزات طبيعية قائمة على أسس فيزيائية لبيانات الصور. تعرض إطارات الفيديو أجهزة الكشف لعمليات تدهور واقعية ومعقدة (الضغط، الضبابية، تحولات الألوان) يصعب محاكاتها باستخدام التعزيزات ثنائية الأبعاد المصنوعة يدويًا (مثل الضبابية الغاوسية أو إعادة ضغط JPEG).

المكونات التقنية

1. نموذج التدريب المشترك: يقوم إطار العمل بتدريب جهاز كشف واحد على دفعة مختلطة من الصور الثابتة ($D_{img}$) وإطارات الفيديو ($D_{vid}$). يتم نمذجة إطارات الفيديو كإشارات بصرية نقية خضعت لدالة تدهور معقدة وغير قابلة للتفاضل $T(\cdot)$ تمثل مسار الفيديو (الترميز، ضبابية الحركة، تغيير الحجم).
2. فقدان التباين الخاضع للإشراف عبر الأنماط (CM-SupCon Loss): لمنع بقاء مساحة الميزات منفصلة حسب النمط (حيث تتجمع ميزات الصورة والفيديو بشكل منفصل رغم اشتراكهما في نفس الملصق "real/fake")، يقدم VINA حدًا تنظيميًا صريحًا.
   • الآلية: بالنسبة لعينة مرجعية (anchor) معينة، تتضمن المجموعة الإيجابية فقط العينات العابرة للأنماط (على سبيل المثال، إطار فيديو مقترن بصورة) التي تشترك في نفس الملصق الحقيقي (حقيقي أو مزيف).
   • الهدف: هذا يسحب ميزات الصور الحقيقية نحو ميزات الفيديو الحقيقية، وميزات الصور المزيفة نحو ميزات الفيديو المزيفة، مع الحفاظ على الفصل بين الفئات الحقيقية والمزيفة. هذا يجبر النموذج على تعلم الآثار التوليدية التي تكون تمييزية عبر كل من الصور النظيفة وإطارات الفيديو المتدهورة، مما يقلل من الاعتماد على الطرق المختصرة الخاصة بالنمط.
3. الهدف الموحد: تجمع دالة الفقد النهائية بين فقدان الإنتروبيا المتقاطعة الثنائي القياسي ($L_{BCE}$) وحد $L_{CM-SupCon}$:
   $$L = L_{BCE} + \lambda L_{CM-SupCon}$$

3. المساهمات الرئيسية

1. تحديد الفشل المنهجي: تكشف الورقة أن أجهزة كشف AIGI المتطورة تفشل بشكل منهجي في معايير الفيديو، وتصيغ كشف AIGC الموحد كمسألة تعميم تتطلب تغطية مشتركة للصور والفيديوهات بدلاً من مهام معزولة.
2. إطار عمل VINA: اقتراح إطار عمل تدريب مشترك للصورة والفيديو يستخدم هدف CM-SupCon لتنظيم التمثيلات تحت حد قرار موحد، مما يقلل بفعالية من الإشارات المختصرة المرتبطة بالمصدر والنمط.
3. تقييم شامل: تُظهر التجارب المكثفة عبر 14 معيارًا (بما في ذلك مجموعات بيانات الصور والفيديو والبيانات الواقعية "in-the-wild") أن VINA يحقق مكاسب ثنائ الاتجاه، حيث يحسن الأداء في كل من مهام الفيديو والصور دون الحاجة إلى ضبط معقد لكل مجموعة بيانات أو خطوط محاذاة صريحة.

4. النتائج التجريبية

قيم المؤلفون VINA مقابل مجموعة واسعة من النماذج المرجعية، بما في ذلك أجهزة كشف خاصة بالفيديو (مثل DeMamba، WaveRep)، وأجهزة كشف خاصة بالصور (مثل NPR، Effort، Co-SPY)، وطرق مدربة على مجموعات بيانات متوافقة (مثل DDA، B-Free).

• أداء المعايير:
  • معايير الفيديو: حقق VINA متوسط دقة بلغ 90.4%، متفوقًا بشكل كبير على أجهزة كشف الصور فقط (التي غالبًا ما انخفضت دقتها إلى أقل من 60%) وعلى أجهزة كشف الفيديو التنافسية.
  • معايير الصور: حقق VINA متوسط دقة بلغ 94.1%، متفوقًا على أجهزة كشف الصور المتخصصة، مما يثبت أن بيانات الفيديو لا تضعف أداء الصور.
  • معايير العالم الحقيقي (In-the-Wild): في مجموعات البيانات الواقعية الصعبة (مثل Chameleon، SynthWildX، WildRF)، وصل VINA إلى متوسط دقة 92.9%، مما أظهر متانة فائقة تجاه المولدات غير المعروفة والمعالجة اللاحقة مقارنة بالأعمال السابقة.
• المتانة: أظهر النموذج مرونة قوية تجاه الاضطرابات المختلفة، بما في ذلك ضغط JPEG/HEIF، وتغيير الحجم، والقص، دون الحاجة إلى محاذاة صريحة للتنسيق أثناء التدريب.
• الكفاءة: على الرغم من استخدام هيكل DINOv3 الضخم، يعمل VINA بدقة 256×256 وبقدرة 82.4G FLOPs لكل إطار، محققًا أسرع إنتاجية استدلال (15.7 ثانية لكل 1000 إطار) بين الطرق المقارنة.
• دراسات الاستئصال (Ablation Studies):
  • الهياكل (Backbones): كانت المكاسب متسقة عبر هياكل CLIP وDINOv2 وDINOv3.
  • مصادر البيانات: لوحظت تحسينات في الأداء عبر مختلف تركيبات البيانات (مثل Pika+ProGAN، GenVideo+SD1.4، 140k+DDA)، مما يشير إلى أن الطريقة ليست مرتبطة بمجموعات بيانات محددة.
  • التعزيز مقابل التدريب المشترك: وفرت استراتيجيات التدهور الاصطناعي (مثل تذبذب الألوان، ضغط HEIF) تحسينات متوسطة، لكنها كانت أقل بكثير من استخدام بيانات الفيديو الحقيقية كتعزيز طبيعي.

5. الأهمية والادعاءات

تدعي الورقة أن VINA يؤسس نموذجًا جديدًا لكشف AIGC من خلال معاملة تدهور الفيديو الواقعي كشكل من أشكال التعزيز الطبيعي وليس كمجال منفصل. تكمن الأهمية في:

• الكشف الموحد: إثبات أن نموذجًا واحدًا يمكنه بفعالية كشف كل من الصور والفيديوهات، مما يسد الفجوة عبر الأنماط التي تعاني منها المجالات الحالية.
• المتانة دون تعقيد: تحقيق أداء رائد دون الاعتماد على محاذاة بيانات معقدة، أو خطوط تعزيز ثقيلة، أو ضبط المعلمات الفائقة لكل مجموعة بيانات.
• التعميم: توفير حل يتعمم عبر المولدات غير المرئية وسيناريوهات العالم الحقيقي، مما يعالج الحاجة الماسة لأجهزة كشف تعمل بشكل موثوق في بيئات النشر المتنوعة في الواقع.

يخلص المؤلفون إلى أنه بينما يعمل جهاز الكشف الحالي على إطارات فردية ولا ينمذج العلاقات الزمنية صراحة، فإن فلسفة التدريب المشترك تستفيد بفعالية من الخصائص الفيزيائية لبيانات الفيديو لإنشاء إطار عمل كشف أكثر قوة وشمولية.