🤖 AI

G2VD: Generalizable AI-Generated Video Detection via Counterfactual Intervention and Causal Disentanglement

تقترح الورقة البحثية إطار عمل G2VD، وهو إطار عمل عام للكشف عن الفيديوهات المولدة بواسطة الذكاء الاصطناعي يستفيد من التدخل المضاد للواقع وفك التشابك السببي للتخفيف من تعلم الاختصارات وتحقيق أداء فائق عبر المجالات من خلال فصل الإشارات الجنائية الجوهرية عن الانحيازات الخاصة بكل مجال.

المؤلفون الأصليون: Meng Du, Hongchang Chen, Ran Li, Junjie Zhang, Qi Ouyang, Shibo Zhang, Shuxin Liu

نُشر 2026-07-30

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Meng Du, Hongchang Chen, Ran Li, Junjie Zhang, Qi Ouyang, Shibo Zhang, Shuxin Liu

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 عالماً يمكنك فيه كتابة بضع كلمات في جهاز كمبيوتر ومشاهدة فيلم يظهر أمامك، مكتملاً بالممثلين، والانفجارات، والمونولوجات العاطفية. هذا هو سحر توليد الفيديو بواسطة الذكاء الاصطناعي. ولكن مع السحر العظيم تأتي مشكلة شائكة: كيف تعرف ما إذا كان الفيديو حقيقياً أم زيفاً ذكياً؟ هذه هي ساحة معركة "التحقيق الجنائي للفيديو". لفترة طويلة، حاول المحققون (أو في هذه الحالة، برامج الكمبيوتر) رصد التزييف من خلال البحث عن خلل بسيط، مثل وميض غريب في الخلفية أو وجه لا يتحرك بشكل صحيح تماماً. ومع ذلك، كلما تحسن الذكاء الاصطناعي، اختفت هذه الأعطال. المشكلة الجديدة هي أن أدوات الكشف غالباً ما تصبح "كسولة"؛ فبدلاً من تعلم ما يجعل الفيديو مزيفاً حقاً، تتعلم رصد "بصمة" الآلة التي صنعته. الأمر يشبه حارس أمن يعرف فقط إيقاف الأشخاص الذين يرتدون قبعات حمراء لأن آخر ثلاثة لصوص ارتدوا قبعات حمراء. إذا ظهر لص يرتدي قبعة زرقاء، سيسمح له الحارس بالدخول. هذه الورقة البحثية، G2VD، تحاول تعليم الحارس كيفية رصد "اللص"، وليس مجرد "القبعة".

أدرك الباحثون وراء هذه الدراسة، بقيادة مينغ دو وشوشين ليو، أن السبب في فشل أدوات الكشف الحالية عند مواجهة مولدات ذكال اصطناعي جديدة هو ظاهرة تسمى "تعلم الاختصار" (shortcut learning). ببساالسة، أدوات الكشف تغش؛ فهي لا تبحث عن الأدلة العميقة والجوهرية التي تثبت أن الفيديو مزيف، بل تقوم فقط بحفظ أسلوب أدوات الذكاء الاصطناعي المحددة التي تدربت عليها. ولإصلاح ذلك، بنى الفريق نظاماً جديداً يسمى G2VD (الكشف العام عن الفيديوهات المولدة بالذكاء الاصطناعي). "خلطتهم السرية" تتضمن خدعتين رئيسيتين: "التدخل المضاد للواقع" (Counterfactual Intervention) و"فك الارتباط السببي" (Causal Disentanglement).

فكر في "التدخل المضاد للواقع" كأنه محرر يسافر عبر الزمن. يأخذ النظام فيديو حقيقياً وفيديو مزيفاً ويتساءل: "ماذا لو كان هذا الفيديو المزيف يمتلك أسلوب فيديو حقيقي؟". يستخدم النظام أداة خاصة (VAE) لإعادة بناء الفيديو ثم يقوم بتبديل أجزاء من الصورة بعناية، حيث يمزج بين القرائن "المزيفة" وأسلوب الخلفية "الحقيقية". ومن خلال إنشاء سيناريوهات "ماذا لو" هذه، يجبر النظام أداة الكشف على التوقف عن الاعتماد على الأسلوب (لون القبعة) والبدء في الانتباه إلى الأدلة الفعلية للتزوير.

بمجرد أن يمتلك النظام هذه الفيديوهات المعقدة من نوع "ماذا لو"، يستخدم "فك الارتباط السببي" لتقسيم عقل المحقق إلى جزأين. جزء يتم تدريبه للبحث فقط عن القرائن "الحقيقية" (القرائن الجنائية الجوهرية)، بينما يتم تدريب الجزء الآخر للبحث عن قرائن "الأسلوب" (التحيز المرتبط بالمجال). يحرص النظام على ألا يتواصل هذان الجزءان كثيراً، مما يضمن عدم تشتت كاشف "القرينة الحقيقية" بالأسلوب. إنه يشبه تدريب محقق واحد على تجاهل ملابس المشتبه به والتركيز فقط على بصمات أصابعه.

النتائج التي حققها هذا النهج مثيرة للإعجاب للغاية. اختبر الفريق نظام G2VD على أربعة مجموعات بيانات عامة مختلفة، بما في ذلك تحدٍ صعب للغاية يسمى GenVidBench حيث تكاد الفيديوهات المزيفة لا تختلف عن الحقيقية. في هذا الإعداد الصعب، تمكن G2VD من تحقيق دقة إجمالية تزيد عن 90%. وعند مقارنته بأفضل الأساليب الحالية، فقد حسن مقياس F1 (وهو مقي้ำ للدقة) بمقدار 0.194 ومقياس AUC بمقدار 0.104. ولعل الأمر الأكثر إثارة للدهشة هو أن النظام حقق هذه الدرجات العالية باستخدام 10% فقط من بيانات التدريب المتاحة.

تشير الورقة البحثية إلى أنه من خلال كسر الرابط بين "الأسلوب" و"التزييف"، يمكن لأدوات الكشف أخيراً أن تتحلى بالقدرة على التعميم. وهذا يعني أن أداة الكشف التي تدربت على نوع واحد من فيديوهات الذكاء الاصطناعي يمكنها بنجاح رصد التزييف الناتج عن مولد ذكاء اصطناعي مختلف تماماً وغير مرئي من قبل. وبينما لا يزال النظام حساساً للضغط الشديد (مثل عندما يتم تقليص حجم ملف الفيديو)، يوضح المؤلفون أن هذا الأسلوب الجديد يمثل خطوة هامة للأمام. فهو ينقلنا من أدوات الكشف الهشة التي يسهل خداعها بالحيل الجديدة، إلى أدوات تفهم الطبيعة الجوهرية لما يجعل الفيديو مزيفاً، بغض النظر عن الجهة التي صنعته.

ملخص تقني: G2VD

بيان المشكلة

أدت التطورات المتسارعة في توليد الفيديو باستخدام الذكاء الاصطناعي (مثل Sora وStable Video Diffusion وHunyuanVideo) إلى خلق مخاطر أمنية كبيرة، بما في ذلك التضليل وانتحال الهوية. وبينما تعمل أدوات الكشف الحالية بشكل جيد على البيانات داخل النطاق (in-domain)، إلا أنها تعاني من تدهور كبير في الأداء عند تطبيقها على مولدات غير مرئية (unseen generators). تحدد الورقة البحثية "تعلم الاختصار" (shortcut learning) كسبب رئيسي: حيث تعتمد أدوات الكشف على تحيزات خاصة بالنطاق (مثل بصمات المولد، أو أنماط الضغط، أو أساليب التوليد) بدلاً من القرائن الجنائية الجوهرية. هذا التشابك يخلق حدود قرار تفشل في التعميم عند حدوث تحولات في التوزيع على مستوى المولد. والحلول الحالية، بما في ذلك التعزيز الموجه جنائياً ونماذج اللغات الكبيرة متعددة الوسائط (MLLMs)، غالباً ما تفشل في التفوق باستمرار على الكواشف المتخصصة تحت هذه التحولات أو تقدم تفسيرات غير موثوقة.

المنهجية

يقترح المؤلفون إطار عمل G2VD (الكشف عن الفيديو المولد بالذكاء الاصطناعي القابل للتعميم)، وهو إطار قائم على النماذج السببية الهيكلية (SCM) التي تعامل القرائن الجنائية الجوهرية كعوامل سببية ( $S$ ) والتحيز الخاص بالنطاق كعوامل غير سببية ( $U$ ). يتكون إطار العمل من مكونين رئيسيين:

1. خط أنابيب التدخل عبر الواقع المضاد (CFIPipeline)

لإضعاف الارتباط الزائف بين التحيز الخاص بالنطاق وعلامات الأصالة، يقوم G2VD ببناء عينات واقع مضاد. من الناحية المثالية، يجب أن تجمع عينة الواقع المضاد $X^*_{cf}$ بين العامل السببي للفيديو المزيف ( $S_f$ ) والعامل غير السببي للفيديو الحقيقي ( $U_r$ ). وبما أن $S$ و $U$ هما عاملان كامنان ومتشابكان، فإن G2VD يقربهما من خلال عملية من ثلاث خطوات:

إعادة البناء القائمة على VAE: يتم إعادة بناء الفيديوهات الحقيقية باستخدام مجموعة متنوعة من المشفرات التلقائية التباينية (VAEs) لإدخاء آثار إعادة البناء المرتبطة بالقرائن الجنائية الجوهرية.
المحاذاة في مجال التردد: للحفاظ على خصائص النطاق ( $U_r$ ) مع الاحتفاظ بآثار إعادة البناء، يقوم خط الأنابيب بمحاذاة سعات التردد العالي للفيديو الحقيقي الأصلي مع الطور والمكونات الطيفية المتبقية للفيديو المعاد بناؤه. هذا يقلل من تخفيف التردد العالي الناتج عن ترميز الفيديو مع فقدان البيانات.
المحاذاة في مجال البكسل: يتم تطبيق الاستيفاء (Interpolation) لتقليل التفاوتات المتبقية في اللون أو التباين، مما ينتج عنه عينة الواقع المضاد النهائية $X_{cf}$ .

2. مصنف الفصل السببي

بناءً على التدخل عبر الواقع المضاد، يتعلم المصنف فصل التمثيلات السببية وغير السببية باستخدام فرعين مرتبطين بالنطاق وقيد استقلال:

الفرع السببي: مدرب على تصنيف الفيديوهات الحقيقية كفيديوهات "سلبية" وكلا من الفيديوهات المزيفة الأصلية وعينات الواقع المضاد (التي تشترك في العامل السببي المزيف $S_f$ ) كفيديوهات "إيجابية". هذا يشجع الفرع على التقاط القرائن الجنائية الجوهرية ( $S$ ) بغض النظر عن تحيز النطاق.
الفرع غير السببي: مدرب بقاعدة تسمية تكميلية حيث تُصنف عينات الواقع المضاد كفيديوهات حقيقية (التي تشترك في $U_r$ مع الفيديوهات الحقيقية الأصلية). هذا يشجع الفرع على التقاط التحيز الخاص بالنطاق ( $U$ ).
قيد الاستقلال: يتم تنظيم الفرعين باستخدام معيار هيلبرت-شميدت للاستقلال (HSIC) لتقليل الاعتماد الإحصائي بين التمثيلات السببية ( $F_c$ ) وغير السببية ( $F_{nc}$ )، مما يضمن التقاطهما لعوامل متميزة.
أثناء الاستدلال، يتم التخلص من CFIPipeline والفرع غير السببي؛ ويعتمد التنبؤ فقط على النموذج الأساسي والفرع السببي.

المساهمات الرئيسية

الصياغة السببية: تعيد الورقة صياغة الكشف عن الفيديو المولد بالذكاء الاصطناعي من خلال تحديد تشابك القرائن الجنائية الجوهرية والتحيز الخاص بالنطاق كسبب جذري لفشل التعميم عبر النطاقات.
إطار عمل G2VD: يقدم إطار عمل مبتكر يدمج التدخل عبر الواقع المضاد القائم على إعادة البناء مع الفصل السببي المرتبط بالنطاق للتخفيف من تعلم الاختصار.
التحقق التجريبي: أظهرت التجارب المكثفة على أربع مجموعات بيانات عامة أن G2VD يحقق أداءً قوياً عبر النطاقات باستخدام 10% فقط من البيانات المتاحة للتدريب، مما يؤكد فعالية كل من خط أنابيب التدخل ومصنف الفصل السببي.

النتائج التجريبية

تم تقييم إطار العمل على أربع مجموعات بيانات: GenVidBench و GenVideo و GVD و GVF.

GenVidBench: في إعداد GenVidBench الصعب، حقق نموذج G2VD-CLIP دقة إجمالية (ACC) بلغت 91.9%، مع درجة F1 قدرها 0.950 و AUC قدرها 0.949. يمثل هذا تحسناً بنسبة 25.0 نقطة مئوية عن أفضل نموذج أساسي (CLIP) ومكاسب كبيرة مقارنة بالأساليب الحديثة الأخرى، لا سيما في المصادر الصعبة مثل MuseV وSVD.
مجموعات البيانات الأخرى: تفوقت متغيرات G2VD باستمرار على الأساليب الأساسية عبر GenVideo وGVD وGVF، مع تحسينات تترا de range من 1.8 إلى 4.7 نقطة مئوية عن النماذج الأساسية المطابقة.
دراسات الاستئصال (Ablation Studies): أدى إزالة كل من CFIPipeline ومصنف الفصل السببي إلى انخفاض حاد في الأداء (على سبيل المثال، انخفض إلى حوالي 61-66% دقة على GenVidBench)، مما يؤكد أن مكونات التدخل والفصل ضرورية للتعميم.
المتانة: أظهر النموذج متانة ضد ضبابية غاوس (Gaussian blur) ولكنه أظهر حساسية تجاه ضغط JPEG الشديد، مما يشير إلى أن الضغط يزيل الأدلة الجنائية التي يستخدمها الكاشف.

الأهمية والادعاءات

تدعي الورقة أن G2VD يوفر أساساً عملياً للتحقيق الجنائي للفيديو عبر النطاقات من خلال توجيه الكواشف بعيداً عن اختصارات المولد وتجاه القرائن الجنائية الجوهرية. يؤكد المؤلفون أن نهجهم يفصل بفعالية العوامل السببية عن التحيزات غير السببية، مما يسمح بالكشف الموثوق حتى في ظل تحولات التوزيع على مستوى المولد مع بيانات تدريب محدودة. يسلط العمل الضوء على أنه بينما توفر الأساليب القائمة على MLLM قابلية التفسير، فإن الكواشف البصرية المتخصصة ذات آليات الفصل السببي توفر حالياً موثوقية وتعميماً فائقين في هذا المجال. كما تمت الإشارة إلى أن العمل المستقبلي سيركز على تحسين متانة النموذج ومعايرته للنشر في العالم الحقيقي.