🤖 AI

Cross-Domain Generalization Limits of Vision Foundation Models in Facial Deepfake Detection

تقيم هذه الورقة بشكل منهجي حدود التعميم عبر النطاقات لنماذج الرؤية التأسيسية في كشف التزييف العميق للوجوه، كاشفةً أنه بينما تتفوق هذه النماذج في تحديد التزييف الكامل للوجه، فإنها تعاني مع تقنيات التعديل الموضعي بسبب المقايضات المتأصلة بين نماذج التدريب المسبق وهياكل تقييم المسبار الخطي.

المؤلفون الأصليون: Ibrahim Delibasoglu

نُشر 2026-05-26✓ Author reviewed ⓘ

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ibrahim Delibasoglu

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. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك حارس أمن في نادٍ حصري للغاية. مهمتك هي كشف الهويات المزورة. لسنوات، تم تدريبك على البحث عن بقع محددة أو آثار حبر تتركها طابعة معينة (مولدات التزييف العميق "القديمة"). ولكن الآن، وصلت طابعة جديدة ذكية للغاية، لا تترك أي بقع على الإطلاق—فهي تطبع هويات مثالية وواقعية للغاية. تدريبك القديم فشل تماماً لأنك كنت تبحث عن الأدلة الخاطئة.

هذا البحث يشبه تقريراً من فريق بحثي يختبر جيلاً جديداً من "الحواس الفائقة" ليرى ما إذا كان بإمكانها كشف التزييف الجديد والمثالي دون الحاجة لإعادة تدريبها مع كل طابعة جديدة.

المشكلة: فخ "بصمة الإصبع"

أنظمة الأمن التقليدية (كواشف الذكاء الاصطناعي القديمة) تشبه المحققين الذين حفظوا بصمة إصبع مجرم واحد عن ظهر قلب. إذا ظهر مجرم جديد ببصمة مختلفة، يصاب المحقق بالارتباك ويفشل. في عالم الذكاء الاصطناعي، تظل هذه الكواشف "عالقة" في أخطاء صغيرة ومحددة تركتها صانعات الصور المزيفة القديمة، لذا لا يمكنها التعرف على أنواع التزييف الجديدة.

الحل: "الحواس الفائقة" (نماذج الرؤية التأسيسية)

قرر الباحثون اختبار ثلاثة أنواع مختلفة من "الحواس الفائقة" (تسمى نماذج الرؤية التأسيسية - Vision Foundation Models). هذه العقول الاصطناعية الضخمة تعلمت بالفعل فهم العالم من خلال النظر إلى المليارات من الصور. لم يعلمهم الباحثون كيفية كشف التزييف؛ بل سألوهم فقط: "هل يمكنك وصف ما تراه؟" ثم استخدموا اختباراً بسيطاً وسريعاً ("المسبار الخطي" - linear probe) ليروا ما إذا كان وصفكم يمكنه التمييز بين الوجه الحقيقي والوجه المزيف.

لقد اختبروا ثلاثة أنواع من "الحواس الفائقة":

المعلم الصارم (RoPE-ViT): هذا النوع تم تدريبه بواسطة معلم صارم جعله يحفظ بدقة كيف يبدو "القط" أو "الكلب". هو بارع في التعرف على الأشكال الكبيرة والواضحة، لكنه قد يغفل عن التفاصيل الصغيرة.
المستكشف الذي علم نفسه بنفسه (DINOv3): هذا النوع تعلم من خلال النظر إلى ملايين الصور دون معلم، حيث اكتشف كيف تتناسب الأشياء مع بعضها البعض بمفرده. هو بارع جداً في فهم الهندسة وكيفية سقوط الضوء على الوجه.
الأمين العليم بكل شيء (NVIDIA C-RADIOv4-H): هذا عقل ضخم استمع إلى ثلاثة معلمين مختلفين في آن واحد: واحد يعلمه عن الأشكال، وواحد عن الكلمات، وواحد عن الحواف والخطوط الخارجية. إنه يحاول فهم كل شيء في وقت واحد.

الاختبار: تحدي "DF40"

وضع الباحثون هذه الحواس الفائقة تحت الاختبار باستخدام تحدٍ ضخم يسمى DF40. تضمن هذا التحدي نوعين مختلفين تماماً من الوجوه المزيفة:

تزييف "الشخص الجديد بالكامل": وهي صور قام الذكاء الاصطناعي بتوليد وجه كامل من الصفر (مثل MidJourney أو DALL-E).
تزييف "تبديل الوجوه": وهي صور تم تعديل أو تبديل جزء صغير فقط من الوجه فيها (مثل تغيير العينين أو الفم).

ما وجدوه

1. عندما يكون الوجه بالكامل مزيفاً (اختبار "الشخص الجديد بالكامل"):
كانت النتائج مبهرة. لقد قام "الأمين العليم" و"المعلم الصارم" بعمل رائع. نظرًا لأن هذه التزييفات تحتوي على تشوهات عالمية غريبة (الوجه بالكامل يبدو "غير طبيعي" قليلاً)، استطاعت الحواس الفائقة كشفها بسهولة. كان الأمر يشبه كشف تمثال عرض ملابس وسط حشد؛ الشكل العام كان خاطئاً، لذا عرف الذكاء الاصطناعي أنه مزيف.

2. عندما يكون جزء صغير فقط هو المزيف (اختبار "تبديل الوجوه"):
هنا أصبح الأمر معقداً. عندما اختبر الباحثون الذكاء الاصطناعي على التزييفات حيث تم تعديل جزء صغير فقط من الوجه (باستخدام أدوات مثل StyleCLIP)، انهارت معظم الحواس الفائقة.

الفشل: "المعلم الصارم" و"المستكشف الذي علم نفسه بنفسه" استسلما تقريباً، وكان تخمينهما عشوائياً. لقد كان تركيزهما منصباً على الصورة الكبيرة لدرجة أنهما غفلا عن التعديلات الصغيرة الموضعية.
الناجي: "الأمين العليم" (NVIDIA C-RADIOv4-H) كان الوحيد الذي صمد. ولأنه تدرب على الانتباه للحواف والخطوط الخارجية (مثل أمين المكتبة الذي يعرف بالضبط أين يقع كعب الكتاب)، استطاع كشف الفواصل الدقيقة حيث تم تعديل الوجه، حتى عندما بدا بقية الوجه مثالياً.

3. مشكلة "الصورة الضبابية":
وجد الباحثون أيضاً نقطة ضعف رئيسية. إذا كانت الصورة المزيفة ذات دقة منخفضة جداً (صغيرة وضبابية) قبل تمديدها لتناسب رؤية الذكاء الاصطناعي، فإن جميع الحواس الفائقة تقريباً تفشل. الأمر يشبه محاولة كشف تزوير في صورة تم تمديدها لدرجة أنها أصبحت مشوشة (pixelated)؛ حيث تضيع الأدلة وتتلاشى. أداة واحدة محددة مصممة للنظر في "الترددات" (مثل جهاز ضبط الترددات الراديوية) أدت بشكل جيد، لكن الحواس الفائقة الكبيرة واجهت صعوبة.

الخلاية (الخلاصة)

يخلص البحث إلى أنه على الرغم من أن هذه العقول الاصطناعية الضخمة والمدربة مسبقاً قوية، إلا أنها ليست حلاً سحرياً بعد.

هي ممتازة في كشف متى يكون الوجه بالكامل إنشاءً مزيفاً.
هي تعاني عندما يكون التزييف عبارة عن تعديل صغير وموضعي على وجه حقيقي.
"الأمين العليم" (نموذج المعلم المتعدد) هو الأكثر صموداً حالياً، ويرجع ذلك على الأرجيه إلى أنه تعلم رؤية العالم من زوايا متعددة (الحواف، الأشكال، والكلمات) في آن واحد.

باخت اختصار: إذا كنت تريد كشف تزييف لشخص يبدو كشخص جديد بالكامل، فإن هذه الحواس الفائقة رائعة. ولكن إذا كنت تريد كشف تعديل طفيف على وجه حقيقي، فنحن لا نزال بحاجة لتعليمها كيفية النظر بعمق أكبر في التفاصيل الصغيرة.

ملخص تقني: حدود التعميم عبر النطاقات لنماذج الرؤية التأسيسية في كشف التزييف العميق للوجوه

بيان المشكلة

أدى التطور السريع للنماذج التوليدية، لا سيما نماذج الانتشار الاحتمالي لإزالة الضجيج (DDPMs) والشبكات التنافسية التوليدية (GANs)، إلى إنشاء تزييف عميق للوجوه فائق الواقعية يكشف عن ثغرة حرجة في الأدلة الجنائية الرقمية: وهي عدم قدرة الكواشف على التعميم على تقنيات التلاعب غير المرئية. غالبًا ما تعاني شبكات الكشف التقليدية من "انهيار التمثيل" (representation collapse)، حيث تفرط في التكيف مع ضجيج أخذ العينات المحدد أو بصمات الآثار الموضعية للمولد التدريبي بدلاً من تعلم تمثيل قوي لـ "الواقعية". وبناءً على ذلك، فإن الكواشف المدربة على التخليق القائم على GAN تفشل كثيرًا عند مواجهة الآثار الناتجة عن نماذج الانتشار الحديثة أو تقنيات تحرير الوجه الموضعية. تبحث هذه الورقة فيما إذا كانت نماذج الرؤية التأسيسية (VFMs) الحديثة يمكن أن تعمل كمستخرجات ميزات عامة وقابلة للتعميم، قادرة على تتبع الشذوذات الجنائية عبر مساحات توليدية غير مرئية تمامًا.

المنهجية

تستخدم الدراسة إطار تقييم منهجي عبر النطاقات لاختبار القدرة الوصفية لنماذج الرؤية التأسيسية المجمدة على معيار DF40. تعزل المنهجية مساحة التمثيل الخام للنماذج الخلفية (backbones) من خلال تجميد أوزانها الداخلية وتطبيق استراتيجية سبر خطي (linear probing) خفيفة الوزن.

1. المعالجة المسبقة

لإزالة المربكات الخلفية، يقوم المؤلفون بعزل منطقة الاهتمام (ROI) للوجه من الصور المدخلة قبل استخراج الميزات. يضمن هذا أن النماذج تقيم شذوذات تخليق الوجه الأصيلة بدلاً من الاعتماد على اختصارات بيئية عالمية.

2. نماذج الرؤية التأسيسية التي تم تقييمها

تم تقييم ثلاثة تكوينات هيكلية متميزة تمثل نماذج تدريب مسبق مختلفة:

نموذج الماكرو-سيمانتيك الخاضع للإشراف: بنية RoPE-ViT مدربة مسبقًا على ImageNet-1k. يحسن هذا النموذج حدود الفئات الدلالية الصلبة، مع إعطاء الأولوية لتناظر الأشياء العالمي وإهمال الاختلافات المحيطة.
النموذج الهندسي ذاتي الإشراف: نموذج DINOv3 من Meta، المدرب مسبقًا على مجموعة صور الويب الطبيعية LVD-168M. باستخدام نمذجة الصور المقنعة، يحافظ النموذج على العلاقات المكانية الموضعية ويكون حساسًا للتناظر المعماري واستمرارية مجال الإضاءة.
نموذج تعدد المعلمين التجميعي: بنية NVIDIA C-RADIOv4-H الضخمة التي تقوم بتقطير عدة معلمين في آن واحد: الرموز الهندسية (من DINOv3)، والمحاذاة الدلالية النصية (من SigLIP2)، والحدود الصريحة للحواف (من SAM3).

3. السبر الخطي اللاحق

لكل خلفية مجمدة $B_\theta$ ، يقوم طبقة سبر خطي معلمتها بمصفوفة أوزان $W$ وانحياز $b$ برسم متجه الميزة المستخرج $f$ إلى قياس ثنائي الأصالة باستخدام دالة تنشيط سيجمويد (sigmoid). يستخدم التحسين دالة خسارة التقاطع العرضي الثنائي (Binary Cross-Entropy).

4. الإعداد التجريبي

يستخدم التقييم مجموعة تدريب متنوعة تضم حوالي 21,000 وجه حقيقي و20,000 وجه متلاعب به، مستمدة من CelebA-HQ وFFHQ وLaPa ومستودعات توليدية مختلفة (100KFake، ThisPersonDoesNotExist). يغطي بروتوكول الاختبار ما يلي:

داخل التوزيع (In-Distribution): مجموعات اختبار قياسية تطابق توزيع التدريب.
خارج التوزيع (OOD): مجموعات محددة من مجموعة DF40، تشمل:
- تخليق الوجه الكامل: MidJourney وWhichFaceIsReal.
- تحرير الوجه الموضعي: CollabDiff وStyleCLIP.

النتائج الرئيسية

الأداء داخل التوزيع

على البيانات داخل التوزيع، تؤدي معظم النماذج أداءً جيدًا. تحقق FreqNet أعلى دقة (0.9936)، بينما يحقق DINOv3 أعلى أداء شامل بدرجة F1 تبلغ 0.9930 ودقة تبلغ 0.9920. يؤكد هذا أن كل من بصمات التردد المحلية الصريحة ومساحات الميزات الهندسية ذاتية الإشراف الضخمة يمكن أن ترسم خرائط فعالة لأصالة التزييف العميق عندما تتوافق توزيعات التدريب والاختبار.

التعميم عبر النطاقات (OOD)

تكشف النتائج عن تباين صارخ في الأداء بناءً على آلية التزوير:

تحرير الوجه الموضعي (CollabDiff وStyleCLIP):
- انهيار النموذج: تعاني عمليات السبر الخطي القياسية (ViT LP، DINOv3 LP) والشبكات العصبية التلافيفية القياسية (EfficientNet-B0) من تدهور وظيفي شديد، حيث تصل الدقة إلى حوالي 0.5000. يشير هذا إلى انهيار كامل للنموذج حيث تفشل المصنفات في رسم تمثيلات ذات معنى وتعود إلى التخمين العشوائي (التنبؤ بأن جميع المدخلات مزيفة).
- الحساسية للدقة (Resolution Sensitivity): المحرك الرئيسي لهذا الفشل هو دقة الباتش الأصلية المنخفضة (≈90×120 بكسل) لصور المصدر في هذه المجموعات. يؤدي رفع دقة هذه التنسورات إلى إضعاف الحدود الجنائية الدقيقة للملمس، مما يتسبب في فشل النماذج القياسية.
- التردد مقابل تعدد المعلمين: تنجح FreqNet في CollabDiff (دقة 0.8645) بسبب تتبع التردد المتخصص، لكنها تنهار في مسار StyleCLIP الأكثر تعقيدًا (دقة 0.2605). وعلى العكس من ذلك، تبرز NVIDIA C-RADIOv4-H كأكثر الخطوط المرجعية مرونة، حيث تحافظ على دقة 0.6403 على StyleCLIP من خلال الاستفادة من رموز الحواف والتقسيم متعددة المعلمين.
تخليق الوجه الكامل (MidJourney وWhichFaceIsReal):
- في هذه السيناريوهات، يترك التخليق الكامل علامات هندسية عالمية. تحقق طبقات الميزات البصرية القياسية أداءً قويًا.
- يعمل Supervised ViT بشكل مثالي على MidJourney (دقة 0.9907)، مساويًا لـ InceptionResNet.
- يعمل DINOv3 كفائز حاسم في WhichFaceIsReal (دقة 0.9055)، متفوقًا على كل من الإعدادات الخاضعة للإشراف والتخطيطات متعددة المعلمين.

الأهمية والادعاءات

تدعي الورقة رسم الخرائط بين المقايضات الجوهرية لنماذج التدريب المسبق وحجم المعلمات في سياق كشف التزييف العميق. تكمن الأهمية الأساسية للعمل في كشف حدود هياكل تقييم السبر الخطي:

حساسية النموذج (Paradigm Sensitivity): تلتقط الميزات التأسيسية المجمدة بسهولة التشوهات الهيكلية العالمية في تحديات تخليق الوجه الكامل، لكنها تواجه تدهورًا كبيرًا عند مواجهة تقنيات تحرير الوجه الموضعية.
مرونة بنيات تعدد المعلمين: تم تحديد بنية تعدد المعلمين التجميعية (NVIDIA C-RADIOv4-H) كأكثر الخطوط المرجعية مرونة تحت تحولات النطاق القصوى، حيث تنجح في الاحتفاظ بحدود الحواف والحدود الدلالية حيث انهارت الشبكات التلافيفية التقليدية والنماذج ذاتية الإشراف القياسية. هذا يؤكد القيمة الحاسمة لأهداف التدريب المسبق متعددة المهام في إنشاء واصفات جنائية قوية وعامة.
محدودية النهج الحالية: تسلط الدراسة الضوء على أن تكوينات السبر الخطي الحالية، التي تعتمد على تمثيلات التوكن المجمعة عالميًا، تتخلص أساسًا من العلاقات المكانية دقيقة التفاصيل وعدم الاتساق على مستوى الباتش. هذا الاختناق الهيكلي يفسر الفشل في تتبع آثار الدمج الدقيقة في مجموعات بيانات التحرير الموضعي.

يخلص المؤلفون إلى أنه بينما توفر النماذج التأسيسية قدرات تمييز عالية لتخليق الوجه الكامل، فإن تقنيات التحرير الموضعي تكشف عن حدود جوهرية في بنيات الكشف الحالية، مما يستلزم عملًا مستقبليًا يتجاوز التجميع العالمي لاستكشاف اتساق مستوى التوكن وآليات الانتباه المتقاطع التي تجمع بين الميزات المكانية وواصفات التردد المحلية.