🤖 machine learning

Foundation Models for Face Presentation Attack Detection: A Unified Linear-Probing Benchmark

تُنشئ هذه الورقة البحثية معياراً موحداً للاختبار عبر التقصي الخطي (linear-probing) لتقييم 24 نموذجاً تأسيسياً مجمداً للكشف عن هجمات تقديم الوجوه، مما يكشف أنه بينما تحتوي التمثيلات المدربة مسبقاً على معلومات ذات صلة بالمهمة فيما يتعلق بالأداء داخل مجموعة البيانات نفسها، إلا أنها تفشل في التعميم عبر مجموعات البيانات المختلفة دون تكييف صريح للتغلب على انزياح النطاق.

المؤلفون الأصليون: Peter Lorenz, Anjith George, Sébastien Marcel

نُشر 2026-07-30

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Peter Lorenz, Anjith George, Sébastien Marcel

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 تحاول تعليم روبوت كيفية كشف التزييف. تعرض عليه صورة لشخص حقيقي، ثم تعرض عليه صورة لشخص يرفع صورة مطبوعة لنفس ذلك الوجه. يجب على الروبوت أن يصرخ "حقيقي!" للأولى، و"مزيف!" للثانية. هذه هي وظيفة كشف هجوم تقديم الوجه (Face Presentation Attack Detection - PAD). إنه بمثابة الحارس الرقمي عند مدخل النادي في هاتفك أو تطبيق البنك الخاص بك، ليتأكد من أن الشخص الذي يحاول الدخول هو إنسان حي بالفعل وليس مخادعاً ذكياً يستخدم صورة أو فيديو أو قناعاً.

الجزء الصعب هو أن هذه الروبوتات غالباً ما تكون جيدة جداً في حفظ الإضاءة أو الكاميرا الخاصة بغرفة التدريب، لكنها سيئة جداً في التعرف على التزييف في غرفة جديدة بإضاءات مختلفة. يُسمى هذا مشكلة "انزياح النطاق" (domain shift). ولإصلاح ذلك، بدأ العلماء في استخدام النماذج التأسيسية (Foundation Models). فكر في هذه النماذج كأدمغة عملاقة وذكية للغاية، قرأت بالفعل معظم الإنترنت واطلعت على مليارات الصور. هي ليست متخصصة في كشف التزييف بعد، لكنها تعرف الكثير عن ماهية الوجوه. السؤال الكبير الذي طرحه الباحثون هو: "هل تعرف هذه الأدمغة العملاقة بالفعل ما يكفي عن التزييف بحيث نحتاج فقط إلى إضافة مفتاح بسيط وصغير في مخرجها لتعمل، أم يتعين علينا إعادة تدريب النموذج بالكامل؟"

هذه الورقة البحثية، التي تحمل عنوان "النماذج التأسيسية لكشف هجوم تقديم الوجه: معيار استقصاء خطي موحد"، تدخل المختبر للإجابة على هذا السؤال. أخذ الباحثون 24 دماغاً مختلفاً ضخماً ومُدرباً مسبقاً — بعضها ينظر إلى الصور فقط، وبعضها يقرأ النصوص وينظر إلى الصور، وبعضها تعلم من خلال تخمين الأجزاء المفقودة من الصور — ثم قاموا بتجميدها. لم يسمحوا للأدمغة بتعلم أي شيء جديد؛ بل قاموا فقط بإرفاق "رأس خطي" (طبقة رياضية واحدة) خفيف الوزن في نهاية كل دماغ لمعرفة ما إذا كان بإمكانه تعلم كشف التزييف.

كانت النتائج مزيجاً من "واو" و"يا للهول". فعندما اختبر الباحثون هذه الأدمغة المجمدة على نفس نوع البيانات التي تدربت عليها (داخل المجموعة ذاتها - intra-dataset)، كانت الأدمغة الكبيرة مذهلة. النموذج الأكبر، المسمى InternViT-6B، لم يرتكب سوى أخطاء طفيفة جداً، حيث بلغ معدل الخطأ فيه 1.6% فقط. ومع ذلك، من المهم ملاحظة أن الروبوتات المتخصصة التي بُنيت خصيصاً لهذه المهمة، مثل DeepPixBiS، تفوقت في الواقع على معظم النماذج المستطلعة المجمدة (رغم أن InternViT-6B لا يزال يتفوق على DeepPixBiS)، رغم أن DeepPixBiS يمتلك عدداً أقل بكثير من المعلمات القابلة للتدريب. وهذا يشير إلى أنه بينما تحتوي هذه النماذج العملاقة بالفعل على القرائن السرية اللازمة لكشف الوجه المزيف، إلا أن هذه المعلومات تقبع هناك فقط، بانتظار استخراجها، لكن التدريب المتخصص لا يزال يحتفظ بامتياز في البيئة نفسها للعديد من النماذج.

ومع ذلك، تتغير القصة عندما تنقل الروبوت إلى بيئة جديدة (عبر مجموعات بيانات مختلفة - cross-dataset). فعندما اختبر الباحثون هذه الأدمغة المجمدة نفسها على بيانات من كاميرات أو ظروف إضاءة مختلفة، انخفض الأداء بشدة. حتى أفضل نموذج، InternViT-6B، شهد ارتفاعاً كبيراً في معدل الخطأ، حيث بلغت الفجوة 30.3% بين أدائه في البيانات المألوفة والبيانات الجديدة، مما أدى إلى معدل خطأ إجمالي يصل إلى حوالي 32% عند الانتقال بين مجموعات البيانات. وتستبعد الورقة صراحةً فكرة أن امتلاك نموذج أكبر أو تدريب مسبق أكثر تخصصاً (مثل الذي تدرب خصيصاً على وجوه مزيفة) يضمن النجاح في المواقف الجديدة. في الواقع، تبين أن نموذجاً متوسط الحجم يسمى CLIP ViT-B/32، والذي تم تدريبه على أزواج عامة من الصور والنصوص من الإنترنت، كان الخيار الأكثر توازناً. فقد قدم أفضل مقايضة بين قدرة الحوس Tou التي يحتاجها وبين مدى قدرته على التعامل مع البيانات الجديدة غير المرئية، بمعدل خطأ عبر مجموعات البيانات بلغ 31.6%.

يشير المؤلفون إلى أنه بينما تمتلك هذه النماذج التأسيسية المكونات الخام لكشف التزييف، إلا أنها لا تزال بحاجة إلى بعض المساعدة الإضافية — مثل القليل من الضبط الدقيق أو التكيف — للتعامل مع الواقع الفوضوي للكاميرات والإضاءة المختلفة. وتخلص الورقة إلى أنه بينما لا نحتاج إلى بناء دماغ جديد من الصفر لكل كاميرا مراقبة جديدة، فإننا لا نستطيع أيضاً مجرد توصيل دماغ عملاق مجمد وتوقع أن يعمل بشكل مثالي في كل مكان. إن طريقة "الاستقصاء الخطي" (linear probing) المستخدمة هنا تعمل كاختبار جهد، يوضح لنا بالضبط مقدار معرفة "كشف التزييف" الموجودة بالفعل، وكم نحتاج أن نعلمها بعد ذلك.

أبحاث مشابهة