💻 computer science

PE-Mamba: Bidirectional Selective Layer Aggregation for AI-Generated Image Detection

يُعد PE-Mamba إطار عمل خفيف الوزن، مُكيَّف بتقنية LoRA، يعمل على تعزيز الكشف عن الصور المولدة بواسطة الذكاء الاصطناعي من خلال تقديم مجمِّع انتقائي ثنائي الاتجاه ومجمِّع مرجح بـ softmax لدمج الميزات الهرمية بفعالية من الأنسجة الضحلة إلى الدلالات العميقة، محققاً بذلك أداءً رائدًا في التعميم عبر مختلف النماذج التوليدية بأقل قدر من تحديثات المعلمات.

المؤلفون الأصليون: Kutub Uddin, Nusrat Tasnim, Khalid Malik

نُشر 2026-08-11

📖 6 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Kutub Uddin, Nusrat Tasnim, Khalid Malik

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 تسير في مكتبة ضخمة وعالية التقنية، حيث كل كتاب فيها عبارة عن صورة. لسنوات، كان بإمكان أمناء المكتبات تمييز الكتب المزيفة بسهولة لأنها كانت مطبوعة على ورق رخيص مع وجود بقع واضحة. ولكن مؤخرًا، وصلت طابعة من نوع جديد تجعل الكتب المزيفة تبدو مثالية تمامًا، بورق ناعم للغاية وحبر حاد الوضوح، لدرجة أن الخبراء لا يستطيعون حتى التمييز بينها وبين الكتب الحقيقية. هذا هو عالم الصور المولدة بواسطة الذكاء الاصطناعي. يتسابق العلماء الآن لبناء "أجهزة كشف الكذب الرقمية" لرصد هذه التزييفات قبل أن تنشر معلومات مضللة أو تتسبب في عمليات احتيال. الجزء الصعب هو أن هذه الأجهزة كانت تعتمد سابقًا على البحث عن بقع صغيرة ومحددة تتركها الطابعات القديمة، ولكن عندما غيرت الطابعات الجديدة أساليبها، ارتبكت الأجهزة القديمة. ولحل هذه المشكلة، يحاول الباحثون الآن فهم كيف يرى "عقل" الكمبيوتر الصورة، طبقة تلو الأخرى، بدءًا من النظرة الأولى للنسيج وصولًا إلى الفهم النهائي لماهية الشيء.

المقال الذي أنت على وشك قراءته يقدم محققًا جديدًا يدعى PE-Mamba. بدلًا من مجرد البحث عن البقع، تم تصميم هذا المحقق لفهم "قصة" كيفية بناء الصورة. فكر في "محول الرؤية" (Vision Transformer) -وهو عقل الكمبيوتر الذي يستخدمه المقال- كفريق من المحققين يعملون في خط واحد. المحقق الأول يرى فقط الحواف الخشنة والألوان؛ والمحقق الأخير يفهم المشهد بأكمله. الطرق السابقة كانت تعامل هذا الفريق كأنهم مجموعة من الأصدقاء يصرخون بآرائهم دفعة واحدة ويأخذون متوسطًا بسيطًا. لكن PE-Mamba يدرك أن الترتيب مهم: فالقرائن الخشنة من البداية تساعد في شرح الصورة الكبيرة في النهاية، والصورة الكبيرة تساعد في فهم القرائن الخشنة.

يستخدم PE-Mamba خدعة ذكية جديدة تسمى "المسح الانتقائي ثنائي الاتجاه". تخيل محققًا يسير في خط الفريق من البداية إلى النهاية، يجمع القرائن أثناء سيره (مسح أمامي). ثم يستدير ويمشي عائدًا من النهاية إلى البداية، ليعيد فحص تلك القرائن المبكرة بحكمة الاستنتاج النهائي (مسح خلفي). هذه الرحلة في اتجاهين تسم تسمح للنموذج بربط النقاط بين التفاصيل الدقيقة والمعنى الكبير بطريقة لا يمكن للمتوسط البسيط تحقيقها. يشير المقال إلى أنه من خلال معاملة طبقات عقل الكمبيوتر كسلسلة مرتبة وليس كمجموعة فوضوية، يمكن لـ PE-Mamba اكتشاف التزييف بشكل أفضل بكثير، حتى عندما يتم صنع التزييفات بواسطة أدوات ذكاء اصطناعي جديدة لم يسبق له رؤيتها.

استراتيجية المحقق الجديدة

بنى الباحثون وراء PE-Mamba نظامهم فوق عقل كمبيوتر ضخم مدرب مسبقًا يسمى PE-Core. هذا العقل ذكي للغاية بالفعل في التعرف على الأشياء والوجوه والمشاهد، لكنه لم يُبنَ في الأصل لكشف التزييف. لتعليمه دون كسر معرفته الحالية، استخدم الفريق تقنية خفيفة الوزن تسمى LoRA. يمكنك التفكير في LoRA كإضافة "عجلات تدريب" صغيرة وقابلة للفصل إلى العقل. فبدلًا من إعادة توصيل المحرك الضخم بالكامل (وهو أمر مكلف وبطيء)، قاموا فقط بتعديل جزء ضئيل من الاتصالات — مجرد 1.3% من إجمالي المعلمات، و 0.13% فقط إذا احتسبت جزء الـ LoRA وحده. سمح هذا للنموذج بتعلم "بصمات" الصور المزيفة مع الحفاظ على معرفته العامة سليمة.

الابتكار الجوهري يكمكم في كيفية دمج PE-Mamba للقرائن من الطبقات المختلفة للعقل. يجادل المقال بأن الطرق السابقة ارتكبت خطأً بمعاملة الطبقات كمجموعة غير مرتبة، مثل دلو من قطع الأحجية المختلطة. ومع ذلك، يحترم PE-M_Mamba التدفق الطبيعي للمعلومات: من الطبقات الضحلة (النسيج والحواف) إلى الطبقات العميقة (الدلالات والمعنى).

للقيام بذلك، يستخدم PE-Mamba ثلاثة مكونات رئيسية:

المجمع الانتقائي ثنائي الاتجاه (BSA): هذا هو المحقق الذي يسير في اتجاهين. إنه يمسح القرائن للأمام (من الضحل إلى العميق) لبناء الأدلة، ثم يعود للخلف (من العميق إلى الضحل) لصقل تلك القرائن المبكرة في سياق الصورة الكاملة. الأمر يشبه قراءة رواية غموض من البداية إلى النهاية، ثم إعادة قراءتها من النهاية إلى البداية لرؤية كيف يفسر الختام البداية.
المجمع الموزون بـ Softmax (SWA): يعمل هذا كـ "ملخص عالمي" للمحققين. ينظر إلى جميع القرائن دفعة واحدة ويختار أهمها بناءً على درجة متعلمة، مما يوفر منظورًا مختلفًا عن المسح ثنائي الاتجاه.
المزيج الموجه بـ Sigmoid (SGA): هذا هو قائد الفريق. هو من يقرر مدى الثقة في المسار ثنائي الاتجاه مقابل الملخص العالمي. يستخدم "بوابة" تتعلم موازنة الاثنين، مما يضمن أن القرار النهائي يستخدم أفضل ما في العالمين.

ماذا تقول الأرقام

اختبر الفريق PE-Mamba في تحديين رئيسيين: معيار UniversalFakeDetect ومعيار AIGCDetect. في هذه الاختبارات، تم تدريب النموذج فقط على صور مصنوعة بواسطة ذكاء اصطناعي محدد (ProGAN)، ثم طُلب منه رصد صور مزيفة مصنوعة بواسطة 19 نموذج ذكاء اصطناعي آخر لم يسبق له رؤيتها، بما في ذلك نماذج الانتشار الحديثة مثل DALL-E وMidjourney.

كانت النتائج مبهرة. في معيار UniversalFakeDetect، حقق PE-Mamba معدل دقة بنسبة 96.6% (mACC) ومعدل دقة (precision) بنسبة 99.5% (mAP). وهذا يعني أنه حدد الصور المزيفة بشكل صحيح أكثر من الـ 18 كاشفًا الآخرين الذين تمت مقارنته بهم. والأكثر إثارة للدهشة، في معيار AIGCDetect — الذي يتميز بمولدات عالية الجودة وحديثة جدًا — سجل PE-Mamba دقة بنسبة 95.3% ودقة (precision) بنسبة 98.1%.

يشير المقال إلى أن هذا النجاح يأتي من قدرة النموذج على إيجاد "التناقضات الهيكلية القابلة للنقل". بينما قد تفشل الكواشف الأخرى عندما يغير مولد الصور المزيفة أسلوبه، يبدو أن المسح ثنائي الاتجاه لـ PE-Mamba يجد أنماطًا أعمق تظل ثابتة عبر أنواع مختلفة من التزييف. على سبيل المثال، بينما انخفضت دقة بعض الكواشف القديمة إلى حوالي 50-60% في بعض المولدات الجديدة، ظل PE-Mamba قويًا، حيث سجل غالبًا أكثر من 95%.

المتانة والدليل البصري

تحقق الباحثون أيضًا مما إذا كان بإمكان PE-Mamba التعامل مع الفوضى في العالم الحقيقي. اختبروه على صور تعرضت للضغط (مثل JPEG)، أو التمويه، أو إضافة الضجيج إليها. حتى تحت هذه الظروف الصعبة، صمد النموذج جيدًا، محتفظًا بدقة بلغت 88.4% حتى عند تطبيق التشويهات الثلاثة معًا. يشير هذا إلى أن النموذج لا يحفظ مجرد أنماط بكسلية محددة، بل يتعلم فهمًا أكثر متانة لما يجعل الصورة مزيفة.

لرؤية كيف كان النموذج يفكر، استخدم الفريق أداة تصور تسمى Grad-CAM. عندما نظروا إلى "الخرائط الحرارية" لانتباه النموذج، رأوا شيئًا رائعًا. العقل الأصلي غير المدرب كان ينظر إلى الموضوعات الرئيسية في الصورة (مثل وجه أو سيارة) بغض النظر عما إذا كانت حقيقية أم مزيفة. لكن PE-Mamba تعلم تجاهل الأجزاء الواضحة من الصور الحقيقية والتركيز بدلاً من ذلك بكثافة على النقاط غير الطبيعية في الصور المزيفة — مثل حواف جسم مولد بواسطة GAN، أو نسيج الجلد في التزييف العميق (deepfake)، أو الأنماط العالمية في صور الانتشار (diffusion). وهذا يؤكد أن النموذج نجح في تعلم كيفية رصد "الأشباح" داخل الآلة.

الخلا الخلاصة

يخلص المقال إلى أن معاملة طبقات محول الرؤية كتسلسل مرتب، وليس كمجرد حقيبة عشوائية من الميزات، هو وسيلة قوية للكشف عن الصور المولدة بالذكاء الاصطناعي. ومن خلال استخدام مسح ثنائي الاتجاه لربط النقاط بين التفاصيل الصغيرة والصورة الكبيرة، يقترح PE-Mamba مسارًا جديدًا للتحقيق الجنائي الرقمي. إنه يحقق أداءً رفيع المستوى مع استخدام موارد حوسبة إضافية قليلة جدًا، مما يجعله أداة واعدة للمستقبل. ومع ذلك، يشير المؤلفون إلى أن بعض المولدات، مثل Midjourney، تظل تشكل تحديًا، وسيتعين على العمل المستقبلي استكشاف طرق تدريب أوسع لالتقاط كل أنواع التزوير الرقمي.

ملخص تقني: PE-Mamba للكشف عن الصور المولدة بواسطة الذكاء الاصطيائي

بيان المشكلة

أدى التقدم السريع في الذكاء الاصطناعي التوليدي، بما في ذلك شبكات GAN ونماذج الانتشار (Diffusion Models)، إلى تضييق الفجوة بين الصور الاصطناعية والحقيقية، مما جعل عملية الكشف أمراً صعباً بشكل متزايد. وبينما اعتمدت الأساليب الجنائية المبكرة على آثار مرتبطة بنطاقات محددة (مثل بصمات التردد أو أنماط إعادة أخذ العينات/upsampling)، إلا أنها تفشل في التعميم على البنى التوليدية غير المرئية. وقد أظهرت النهج الحديثة التي تستخدم محولات الرؤية (Vision Transformers - ViTs) نتائج واعدة من خلال الاستفطادة من تمثيلات الطبقات المتوسطة. ومع ذلك، فإن كواشف ViT الحالية تعتمد عادةً على تجميع ميزات الطبقات المتعددة باستخدام استراتيجيات المجموع الموزون الثابت. وتعامل هذه الأساليب تسلسل طبقات المحول (Transformer) كطقم غير مرتب، مما يؤدي إلى إهمال التسلسل الدلالي المتدرج بطبيعته من ملامح النسيج الضحلة إلى التمثيلات الدلالية العميقة، وهو أمر بالغ الأهمية للتحليل الجنائي.

المنهجية

يقترح البحث PE-Mamba، وهو إطار عمل مبتكر مصمم لنمذجة التبعيات عبر الطبقات كمتوالية مرتبة باستخدام نماذج فضاء الحالة الانتقائية ثنائية الاتجاه (Bidirectional Selective State Space Models - SSMs). تتكون البنية من خمس وحدات رئيسية:

العمود الفقري مع تكيف LoRA: يستخدم إطار العمل نموذج PE-Core-G14-448 (محول رؤية مدرب مسبقاً ومجمد). ولتمكين الضبط المخصص للمهام دون الحاجة إلى ضبط كامل، تم تطبيق التكيف منخفض الرتبة (LoRA) حصرياً على مصفوفات إسقاط الاستعلام والمفتاح والقيمة (QKV). يحد هذا من المعلمات القابلة للتدريب لتكون حوالي 0.13% من العمود الفقري، حيث تشكل الإجمالي القابل للتدريب (بما في ذلك رؤوس التجميع) 1.3% فقط من النموذج.
استخراج رمز CLS على مستوى الطبقة: تقوم خطافات التمرير الأمامي (Forward hooks) باستخراج رمز التصنيف (CLS) من كل طبقة محول. تشكل هذه الرموز متوالية $g \in \mathbb{R}^{L \times D}$ ، حيث تلتقط الطبقات الضحلة الآثار الجنائية منخفضة المستوى (النسيج، التردد) بينما تشفر الطبقات العميقة الدلالات عالية المستوى. يتم إسقاط هذه الرموز إلى بُعد موحد $D'$ عبر وحدة إسقاط مشتركة.
مجمع فضاء الحالة الانتقائي ثنائي الاتجاه (BSA): هذا هو الابتكار الجوهري. بدلاً من المتوسط الموزون، يقوم الـ BSA بمعالجة متوالية الرموز المسقطة عبر كتلتين مستقلتين من نماذج SSM الانتقائية:
- المسح الأمامي (Forward Scan): يراكم الأدلة من الطبقات الضحلة إلى العميقة (من النسيج إلى الدلالات).
- المسح الخلفي (Backward Scan): يقوم بعملية صقل السياق من العمق إلى الضحالة، حيث يعيد تفسير الملامح منخفضة المستوى باستخدام السياق الدلالي عالي المستوى.
- يتم دمج مخرجات كلا المسحين عبر متوسط التجميع (Mean-pooling) والربط بينهما لتشكيل تمثيل اتجاهي $z_m$ .
المجمع الموزون بـ Softmax (SWA): يقوم فرع موازٍ بحساب ملخص عالمي $z_\alpha$ لجميع رموز الطبقات باستخدام أوزان softmax قابلة للتعلم، ليعمل كمسار تجميع تكميلي لا يعتمد على الترتيب التسلسلي.
الخلط الموجه بـ Sigmoid (SGA): يعمل بوابة قياسية قابلة للتعلم (Sigmoid Gate) على دمج مخرج BSA الاتجاهي ( $z_m$ ) ومخرج SWA العالمي ( $z_\alpha$ ) بشكل تكيفي. يسمح هذا للنموذج بموازنة الأدلة التسلسلية الاتجاهية مقابل التجميع العالمي للطبقات ديناميكياً بناءً على إشارة التدريب.

المساهمات الرئيسية

نموذج تجميع مبتكر: يستبدل PE-Mamba التوسيط الموزون التقليدي عبر الطبقات بمجمع فضاء حالة انتقائي ثنائي الاتجاه (BSA)، مما ينمذج صراحةً التقدم الدلالي المرتب لتمثيلات طبقات ViT.
آلية دمج تكميلية: يتيح إدخال المجمع الموزون بـ Softmax (SWA) والخلط الموجه بـ Sigmoid (SGA) الدمج التكيفي للأدلة التسلسلية الاتجاهية مع الملخصات العالمية، مما يلتقط الملامح الجنائية التكميلية عبر التسلسل الهرمي للطبقات.
كفاءة المعلمات: يحقق إطار العمل أداءً يضاهي أحدث ما توصل إليه العلم (SOTA) مع تدريب 1.3% فقط من إجمالي المعلمات (0.13% لـ LoRA وحده)، مما يحافظ على التمثيلات البصرية العامة للعمود الفقري المجمد.

النتائج التجريبية

تم تقييم PE-Mamba على اثنين من الاختبارات المرجعية الرئيسية: UniversalFakeDetect و AIGCDetect. في كلتا الحالتين، تم تدريب النماذج حصرياً على ProGAN وتقييمها بنمط "التعلم الصفري" (Zero-shot) على 19 مولداً غير مرئي يشمل شبكات GAN، ونماذج توليدية أخرى، ونماذج انتشار.

UniversalFakeDetect: حقق PE-Mamba دقة 96.6% mACC و 99.5% mAP، متفوقاً على 18 كاشفاً من أحدث التقنيات. وأظهر استقراراً فائقاً عبر عائلات GAN، والانتشار، والمولدات الأخرى، خاصة في النماذج الصعبة مثل SAN و SITD حيث أظهرت الطرق السابقة (مثل RINE) تدهوراً كبيراً.
AIGCDetect: في هذا الاختبار المرجعي الخارج تماماً عن نطاق التوزيع والذي يغطي مولدات الانتشار الحديثة (مثل Midjourney و SD-XL و DALL-E 2)، حقق PE-Mamba دقة 95.3% mACC و 98.1% mAP. ويمثل هذا زيادة كبيرة مقارنة بأقرب منافس له، IAPL (91.5% mACC)، و RINE (74.8% mACC).
المتانة: حافظ النموذج على أداء عالٍ تحت تأثير مختلف تشوهات الصور، بما في ذلك ضغط JPEG، وتغبيش غاوسي (Gaussian blur)، والضجيج المضاف، حيث احتفظ بـ 88.4% mACC تحت تأثير مزيج ثلاثي من التشوهات.
دراسات الاستئصال (Ablation Studies): أكدت التجارب أن استخدام طبقة SSM واحدة هو الأمثل، وأن القيم $d_{state}=16$ و $d_{expand}=2$ توفر أفضل المقايضات، وأن الجمع بين BSA و SWA و SGA ضروري للوصوث إلى ذروة الأداء.

الأهمية والادعاءات

يزعم البحث أن PE-Mamba يثبت صحة الفرضية القائلة بأن التعامل مع ميزات ViT عبر الطبقات كمتوالية مرتبة واستغلال بنيتها الاتجاهية عبر نمذجة فضاء الحالة الانتقائية هو استراتيجية تجميع جنائية أكثر قوة وقدرة على التعميم من المتوسطات الموزونة التقليدية. ومن خلال التقاط التناقضات الهيكلية القابلة للنقل بما يتجاوز الآثار الخاصة بالمولد، يحقق الأسلوب تعميماً فائقاً عبر النماذج المختلفة.

يؤكد المؤلفون أن قدرة إطار العمل على الحفاظ على دقة عالية مع الحد الأدنى من المعلمات القابلة للتدريب تجعل منه حلاً عملياً وفعالاً للكشف عن الصور المولدة بالذكاء الاصطناعي عبر المشاهد التوليدية المتنوعة والمتطورة باستمرار. وبينما يظهر الأسلوب تعميماً قوياً، يشير المؤلفون بتواضع إلى أن المولدات ذات خطوط المعالجة الخاصة (مثل Midjourney) والتوليد الموجه بالمصنف (مثل ADM) تظل تحدياً، مما يقترح أعمالاً مستقبلية في التدريب متعدد المصادر والتوسع الزمني للتزييف العميق للفيديو.