UC-VLM: Consistency-Driven Learning for AI-Generated Image Detection with Vision-Language Large Models
تقدم الورقة البحثية UC-VLM، وهو إطار عمل موحد متعدد المراحل يستفيد من الإشراف الثنائي لتعزيز الحساسية الجنائية البصرية وتوليد تفسيرات نصية مشروطة بالملصقات للكشف عن الصور المولدة بواسطة الذكاء الاصطناعي في آن واحد، محققاً أداءً هو الأفضل في فئته دون الاعتماد على مطالبات مصاغة يدوياً أو مبررات مشروحة بشرياً.
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
في السنوات القليلة الماضية، تعلمت الحواسيب رسم صور تبدو لا يمكن تمييزها عن الصور الفوتوغرافية الملتقطة بكاميرا حقيقية. هذه الصور، التي أنشأها الذكاء الاصطناعي، يمكنها التقاط ملمس الجلد، وتلاعب الضوء على الماء، وفوضى شارع مزدحم بواقعية مذهلة. لقد غيرت هذه القدرة طريقة صنعنا للفن والوسائط، لكنها قدمت أيضاً مشكلة جديدة: كيف نعرف ما هو حقيقي وما هو مصنوع بواسطة آلة؟ لفترة طويلة، حاول العلماء حل ذلك من خلال تدريب الحواسيب على رصد أخطاء صغيرة وغير مرئية تتركها البرمجيات التي تصنع هذه الصور، مثل أنماط غريبة في البكسلات أو عدم اتساق في كيفية سلوك الضوء. ومع ذلك، كلما تحسنت البرمجيات، أصبحت هذه الأخطاء أصعب في العثور عليها، وغالباً ما تفشل الطرق القديمة عند مواجهة أنواع جديدة من الصور.
يستخدم نهج أحدث نماذج لغوية ضخمة يمكنها رؤية الصور وفهم اللغة في آن واحد، بشكل يشبه الطريقة التي ينظر بها الإنسان إلى صورة ثم يصف ما يراه. يمكن سؤال هذه النماذج: "هل هذه الصورة حقيقية؟" ويمكنها الإجابة بـ "نعم" أو "لا" بسيطة، أو حتى كتابة فقرة تشرح منطقها. ولكن هناك عقبة؛ فلكي يتعلم الباحثون هذه النماذج لتكون جيدة في هذه المهمة، كان عليهم عادةً قضاء الكثير من الوقت في كتابة أسئلة محددة للإجابة عليها من قبل الكمبيوتر وتوفير تفسيرات مكتوبة بشرياً لسبب كون الصورة مزيفة. كانت هذه العملية بطيئة، ومكلفة، وصعبة التوسع. علاوة على على ذلك، غالباً ما ركزت هذه النماذج بشكل كبير على الكلمات التي تولدها وليس بما يكفي على الأدلة البصرية الدقيقة المخفية في الصورة نفسها.
قام فريق من الباحثين في جامعة سنغافورة الوطنية بتطوير طريقة جديدة لتدريب هذه النماذج اللغوية والبصرية التي تلغي الحاجة إلى التفسيرات المكتوبة بشرياً والتعليمات المعقدة. أطلقوا على نظامهم اسم UC-VLM. وبدلاً من مطالبة البشر بكتابة قوائم طويلة من الأسباب التي تجعل الصورة مزيفة، ترك الباحثون الكمبيوتر يتعلم فقط من تسمية بسيطة تقول "حقيقي" أو "مولد". ووجدوا أنه من خلال إعادة استخدام هذه التسمية البسيطة بثلاث طرق مختلفة أثناء التدريب، استطاعوا تعليم النموذج أن يصبح أفضل بكثير في كشف التزييف من أي طريقة سابقة.
بدأ الباحثون بملاحظة أن نظام الرؤية لدى الكمبيوتر، والذي يُدرب عادةً على التعرف على الأشياء مثل القطط أو السيارات، لم يكن جيداً جداً في رصد الاختلالات الصغيرة وغير الطبيعية التي غالباً ما تحتوي عليها صور الذكاء الاصطناعي. ولإصلاح ذلك، علموا النموذج أولاً تجاهل الصورة الكبيرة لماهية الشيء، والتركيز بدلاً من ذلك على التفاصيل المحلية الصغيرة. فعلوا ذلك من خلال عرض قطع صغيرة ومبعثرة من الصورة على النموذج، مما أجبره على الانتباه إلى ملمس جدار أو نمط ظل بدلاً من المشهد العام. جعلت هذه الخطوة النموذج أكثر حساسية للعيوب الفيزيائية التي تكشف أن الصورة اصطناعية.
بعد ذلك، تناول الفريق مشكلة كيفية طرح السؤال الصحيح على النموذج. اكتشفوا أن طريقة صياغة السؤال يمكن أن تغير الإجابة التي يقدمها الكمبيوتر. فالسؤال الذي يسأل عما إذا كانت الصورة "حقيقية أم مزيفة" قد يعطي نتيجة مختلفة عن سؤال عما إذا كانت "أصلية أم مولدة". وبدلاً من التخمين حول الصياغة التي تعمل بشكل أفضل، بنى الباحثون نظاماً يختبر تلقائياً آلاف الطرق المختلفة لطرح السؤال. احتفظ النظام بالنسخ التي نجحت واستبعد تلك التي فشلت، ليستقر في النهاية على مجموعة محددة من التعليمات التي جعلت إجابات النموذج أكثر استقراراً وموثوقية.
أخيراً، استخدم الباحثون تسمية "حقيقي" أو "مولد" البسيطة لتعليم النموذج كيفية كتابة تفسيراته الخاصة. في الماضي، كانت النماذج تحتاج إلى أمثلة مكتوبة بشرياً لما يبدو عليه التفسير الجيد. هنا، أخبر الباحثون النموذج ببساطة: "إذا كانت الصورة مولدة، اشرح لماذا هي مولدة"، أو "إذا كانت حقيقية، اشرح لماذا هي حقيقية". ومن ثم كتب النموذج منطقه الخاص بناءً على هذه التعليمات. ومن خلال القيام بذلك، تعلم النموذج ربط ملاحظاته البصرية بمخرجاته المكتوبة، كل ذلك بينما يتم توجيهه بواسطة نفس التسمية البسيطة المستخدمة لتدريب رؤيته. خلق هذا نظاماً موحداً حيث يعمل الجزء البصري، وجزء طرح الأسئلة، وجزء الكتابة معاً تحت نفس الإشراف.
عندما اختبر الباحثون هذا النظام الجديد، كانت النتائج مذهلة. ففي مجموعة كبيرة من الصور تسمى GenImage، والتي تحتوي على ملايين الصور المصنوعة بواسطة أدوات ذكاء اصطناعي متنوعة، حقق النموذج الجديد متوسط دقة بلغ 96.1 بالمائة. وكان هذا أعلى بكثير من أفضل الطرق السابقة، التي وصلت إلى حوالي 91.5 بالمائة. كما أدى النموذج أداءً استثنائياً في اختبار أكثر صعوبة يسمى Chameleon، والذي يتميز بصور عالية الدقة تبدو واقعية للغاية. في هذا الاختبار، حسن النظام الجديد الدقة بأكثر من 11 بالمائة عن أفضل طريقة موجودة عند تدريبه على أنواع معينة من مولدات الذكاء الاصطناعي، وبأكثر من 15 بالمائة على أنواع أخرى.
كما أظهرت الدراسة أن النموذج كان أكثر اتساقاً. فإذا سألت نفس السؤال بطرق مختلفة قليلاً، فقد تعطي النماذج القديمة إجابات مختلفة، لكن هذا النظام الجديد ظل ثابتاً. لقد تعلم البحث عن أدلة بصرية محددة، مثل النعومة غير الطبيعية في الجلد، أو الظلال غير المتسقة، أو الأنماط الغريبة في الخلفية، وكان بإمكانه وصف هذه النتائج بطريقة منظمة. أشار الباحثون إلى أن النموذج ليس مثالياً؛ إذ لا يزال بإمكانه أن يُخدع بالصور ذات الجودة العالية جداً أو بالأنماط الفنية التي لا تبدو كصور فوتوغرافية. ومع ذلك، من خلال الاعتماد على نهج موحد يعيد استخدام التسميات البسيطة لتدريب كل من "أعين" و"كلمات" الكمبيوتر، فقد أنشأوا أداة أكثر قوة وقابلية للتوسع مما سبقها. يشير هذا العمل إلى أننا لسنا بحاجة إلى تعليقات بشرية مكلفة لبناء كواشف قوية؛ بل نحتاج فقط إلى إيجاد طريقة لترك الكمبيوتر يتعلم من الحقيقة نفسها، مراراً وتكراراً، وبطرق مختلفة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.