I2VShield: An Efficient Proactive Defense Framework against DiT-based Image-to-Video Models

تخيل عالماً يمكنك فيه التقاط صورة لقطتك، وكتابة "ترقص في ديسكو"، ومشاهدتها وهي تدور على مسرح صغير في ثوانٍ معدودة. هذا هو سحر الذكاء الاصطناعي الحديث، وتحديداً نوع من التكنولوجيا يسمى نماذج "تحويل الصورة إلى فيديو" (Image-to-Video). هؤلاء السحرة الرقميون يأخذون صورة ثابتة ووصفاً نصياً، ثم ينسجونهما معاً لإنشاء فيلم متحرك. ولكن مثل أي أداة قوية، يمكن إساءة استخدامها. تخيل أن شخصاً ما يأخذ صورتك دون استئذان ويجعلها تبدو وكأنك تقول أشياء لم تقلها أبداً أو تفعل أشياء لم تفعلها قط. هذا هو الجانب المخيف من القصة: التزييف العميق (deepfakes) والرسوم المتحركة غير المصرح بها التي تهدد خصوصيتنا.

لمواجهة ذلك، يحاول العلماء بناء "دروع رقمية". لفترة طويلة، كانت الفكرة الرئيسية هي إضافة ضوضاء غير مرئية إلى صورك — مثل كود سري — يربك الذكاء الاصطناعي بحيث لا يستطيع صنع فيديو. ومع ذلك، كانت الطريقة القديمة لإنشاء هذه الدروع تشبه محاولة حل لغز ضخم ومعقد يدوياً، مراراً وتكراراً، لكل صورة على حدة. لقد تطلب الأمر قدرة حاسوبية هائلة ومكلفة واستغرق وقتاً طويلاً، مما جعل استخدامه مستحيلاً بالنسبة للأشخاص العاديين. هذه الورقة البحثية، التي تحمل عنوان I2VShield، تقدم طريقة جديدة أسرع بكثير لبناء هذه الدروع، محولةً عملية بطيئة وثقيلة إلى خدعة سريعة وخفيفة تعمل مع الجيل الأحدث من صانعي الفيديو بالذكاء الاصطناعي.

المشكلة: العمالقة الثقال

لاحظ مؤلفو هذه الورقة وجود عقبة رئيسية في كيفية حماية صورنا. "المعيار الذهبي" الحالي للدفاع يتضمن طريقة تسمى الهجمات العدائية القائمة على التدرج (gradient-based adversarial attacks). فكر في هذا الأمر كمحاولة كسر قفل معين عن طريق اختبار كل تركيبة مفاتيح واحدة تلو الأخرى، والشعيد بضغط التروس، وتعديل قبضتك بناءً على رد الفعل. في عالم الذكاء الاصطناعي، يعني هذا أن الكمبيوتر يجب أن يشغل نموذج الفيديو آلاف المرات، ويتحقق من كيفية تغير الفيديو، ثم يعدل الضوضاء على الصورة قليلاً في كل مرة.

هذه العملية ثقيلة للغاية. توضح الورقة أنه لحماية صورة واحدة فقط، تحتاج هذه الطرق التقليدية إلى كميات هائلة من ذاكرة الفيديو (VRAM) وتستغرق وقتاً طويلاً في الحوسبة. الأمر يشبه محاولة حمل جبل من الطوب لبناء جدار؛ العمل ينجح، لكنه مرهق ويتطلب شاحنة ضخمة (حاسوباً فائق القدرة) للقيام به. علاوة على ذلك، فإن هذه الطرق القديمة غالباً ما تتجاهل الطريقة المحددة التي "يفكر" بها أحدث نماذج الذكاء الاصطناعي. مولدات الفيديو الأحدث، المعروفة باسم محولات الانتشار (Diffusion Transformers - DiT)، تستخدم آلية خاصة تسمى "الانتباه" (attention) لربط الصورة بالوصف النصي. كانت الدروع القديمة مثل استخدام مطرقة ثقيلة على ساعة يد دقيقة؛ لم تكن تستهدف التروس المحددة التي تجعل الساعة تعمل.

الحل: I2VShield

هنا يأتي دور I2VShield، وهو إطار عمل جديد اقترحه الباحثون ييماو غوو، زومين كيو، ووي لو. بدلاً من حل اللغز قطعة قطعة لكل صورة، قاموا ببناء آلة تتعلم اللغز مرة واحدة ثم تحله فوراً.

تخيل أن لديك رئيس طهاة ماهر يتعلم بالضبط كيف يتفاعل نوع معين من الكعك مع رشة ملح. بمجرد أن يعرف الشيف ذلك، يمكنه رش الكمية المثالية من الملح على أي كعكة فوراً دون الحاجة لتذوقها أولاً. يعمل I2VShield بشكل مشابه؛ فهو يستخدم مولد اضطراب متكيف مع النص (Text-Adaptive Perturbation Generator). هذه شبكة صغيرة وذكية تنظر إلى صورتك و الوصف النصي الذي تنوي استخدامه (مثل "يغني في ميكروفون"). ثم تتنبأ فوراً بـ "الضوضاء غير المرئية" المثالية لإضافتها إلى صورتك في خطوة واحدة.

تسلط الورقة الضوء على خدعتين رئيسيتين يستخدمهما هذا الدرع الجديد:

1. السرعة والكفاءة: بدلاً من تشغيل نموذج الذكاء الاصطناعي الثقيل آلاف المرات للعثور على الضوضي، يقوم I2VShield بذلك في تمريرة واحدة للأمام (forward pass). إنه الفرق بين صعود جبل خطوة بخطوة (الطريقة القديمة) وبين ركوب رحلة بالمروحية (الطريقة الجديدة). وجد المؤلفون أن هذا يقلل من ذاكرة الكمبيوتر المطلوبة بنسبة تقارب 70% ومن قوة الحوسبة بأكثر من 96% مقارنة بالطرق القديمة.
2. هجوم "تعطيل الانتباه متعدد الوسائط" (Multimodal Attention Disruption - MAD): هذا هو السلاح السري للورقة. أدرك الباحثون أن نماذج DiT تعتمد بشدة على "الانتباه المتقاطع" (cross-attention) لربط الصورة بالنص. ووجدوا أنه إذا عبثوا بهذا الاتصال المحدد، فإن الفيديو بأكمله ينهار. الأمر يشبه سحب الخيط الذي يمسك بالسترة؛ فكل شيء يتفكك. من خلال استهداف ميزات الانتباه هذه، لا يجعل I2VShield الفيديو يبدو غريباً فحسب، بل يتسبب في فقدان الذكاء الاصطناعي لتتبع هوية الشخص، وماذا يفعل، وكيف تتدفق الحركة.

ما الذي وجدوه؟

اختبر الفريق I2VShield ضد ثلاثة من أشهر نماذج توليد الفيديو بالذكاء الاصطناعي: CogVideoX-5B، و Wan2.1-14B، و OpenSora-V2-11B. استخدموا نوعين من البيانات: الوجوه (من مجموعة بيانات CelebV-Text) والأفعال البشرية (من مجموعة بيانات UCF101).

كانت النتائج مذهلة. عندما استخدموا I2VShield، فشلت نماذج الذكاء الاصطناعي في إنشاء فيديوهات متماسكة.

• الفوضى البصرية: بدلاً من فيديو سلس لشخص يغني، أنتجت نماذج الذكاء الاصطناعي فيديوهات حيث يتشوه الوجه، أو يتغير الخلفية بشكل جامح، أو يتحول الشخص فجأة إلى شيء غير مرتبط تماماً.
• انهيار الزمن: فقدت الفيديوهات "تدفقها". كانت الإطارات تقفز ذهاباً وإياباً، مما يجعل الحركة تبدو متقطعة ومستحيلة، بدلاً من أن تكون سلسة وطبيعية.
• الكفاءة: كانت النتيجة الأكثر إثارة للإعجاب هي السرعة. بينما استغرقت الطريقة القديمة (PhotoGuard) حوالي 38.8 ثانية لحماية صورة واحدة على نموذج واحد، قام I2VShield بذلك في أقل من ثانية واحدة (تحديداً 0.714 ثانية). ومن حيث الذاكرة، استخدم I2VShield فقط 9.49 جيجابايت من ذاكرة VRAM مقارنة بـ 22.42 جيجابايت التي تطلبتها الطريقة القديمة لنفس النموذج.

كما أجرت الورقة "اختبار تذوق أعمى" باستخدام أدوات ذكاء اصطناعي أخرى لتقييم جودة الفيديوهات المولدة. أظهرت الدرجات أن الفيديوهات المصنوعة من الصور المحمية بواسطة I2VShield كانت أسوأ بكثير من حيث الاتساق والجودة مقارنة بتلك المصنوعة من الصور المحمية بالطرق القديمة. على سبيل المثال، في نموذج CogVideoX-5B، انخفضت درجة "اتساق الموضوع" (Subject Consistency) من 0.9016 (مع الطريقة القديمة) إلى 0.8962 (مع I2VShield)، مما يشير إلى تعطيل أقوى. والأهم من ذلك، انخفضت درجات "سلاسة الحركة" و"الاتساق الزمني" بشكل حاد، مما يثبت أن الفيديوهات قد تعطلت.

لماذا يهم هذا؟

يشير المؤلفون إلى أن I2VShield يعد نقطة تحول لأنه يجعل حماية الخصوصية عملية ومتاحة للجميع. لم تعد بحاجة إلى حاسوب فائق لحماية صورك؛ أنت فقط بحاجة إلى هذا المولد خفيف الوزن. بمجرد تدريب المولد (والذي يتم بعيداً عن الجمهور)، يمكن لأي شخص استخدامه لحماية صوره فوراً.

تخلص الورقة إلى أنه من خلال استهداف آليات "الانتباه" الخاصة بنماذج الذكاء الاصطناعي الحديثة واستخدام مولد يعمل في خطوة واحدة، يمكننا فعلياً إيقاف توليد الفيديو غير المصرح به دون التكلفة الباهظة. إنه انتقال من "الدروع الثقيلة" إلى "حقول القوة الذكية وغير المرئية". الباحثون واثقون من أن هذا النهج يعمل عبر أنواع مختلفة من نماذج الفيديو، مما يشير إلى أن المستقبل الذي تكون فيه صورنا آمنة من الرسوم المتحركة الضارة بالذكاء الاصطناعي ليس مجرد حلم، بل هو واقع ممكن حاسوبياً.