Frozen DINO Localizes Image Edits Without a Localizer

في العالم الحديث، لم تعد الصور الفوتوغرافية مجرد سجلات للواقع؛ بل أصبحت بيانات قابلة للتطويع يمكن تغييرها بنقرة زر واحدة. لقد جعل الذكاء الاصطناعي التوليدي من الممكن إدراج أشياء جديدة، أو إزالة أشخاص، أو تغيير الخلفيات بسلاسة تجعل العين البشرية غالباً غير قادرة على تمييز الفرق. وتخلق هذه القدرة حاجة ملحة لأدوات جنائية تفعل ما هو أكثر من مجرد تصنيف الصورة على أنها "مزيفة". لكي يكون الكاشف مفيداً حقاً، يجب أن يعمل مثل رسم الخرائط، حيث يحدد بدقة أي البكسلات قد تم تعديلها وأيها لا تزال أصيلة. وبدون هذه الدقة المكانية، لا يمكننا الوثوق بالأجزاء غير المعدلة من الصورة، ولا يمكننا فهم الطبيعة المحددة للخداع.

لسنوات، حاول الباحثون حل هذه المشكلة عن طريق تدريب نماذج حاسوبية معقدة على آلاف الأمثلة لصور حقيقية ومزيفة، وتعليمها التعرف على الندوب الرقمية الدقيقة التي تتركها برامج التعديل. ومع ذلك، ظهر نهج جديد يتخطى عملية التدريب بالكامل. فبدلاً من التعلم من الأمثلة، يعتمد هذا الأسلوب على الحساسية المتأصلة في نظام رؤية موجود مسبقاً وقوي. إنه يعمل وفق مبدأ بسيط: إذا قمت بإزعاج صورة قليلاً، فإن الأجزاء التي تم تعديلها ستتفاعل بشكل مختلف عن الأجزاء الأصلية. والسؤال الذي طرحه الباحثون هو ما إذا كان يمكن رسم خريطة لهذا التفاعل بالتفصيل دون الحاجة إلى كاشف متخصص، وذلك ببساطة من خلال مراقبة كيفية معالجة نظام رؤية قياسي للصورة قبل وبعد "هزة" طفيفة ومنضبطة.

وضع فريق من الباحثين، بمن فيهم زين كومار، وفيشال جين، وبرنهارد كاينز، خطة لاختبار هذه الفكرة باستخدام نظام رؤية متطور يُعرف باسم DINO. هذا النظام هو بمثابة "دماغ" عام للحواسيب، تم تدريبه مسبقاً على كميات هائلة من البيانات لفهم الصور، لكنه ليس مدرباً خصيصاً لكشف التزوير. أخذ الباحثون صورة فوتوغرافية وصنعوا نسخة ثانية منها تم تعديلها قليلاً باستخدام تقنية رياضية تسمى "اضطراب هار" (Haar perturbation). هذه العملية تشبه هز الصورة بلطف لرؤية كيف تتماوج بنيتها الداخلية، دون تغيير المحتوى بطريقة يمكن للإنسان رؤيتها. ثم قاموا بتغذية كل من الصورة الأصلية والنسخة "المهتزة" قليلاً في نظام DINO "المجمد". ولأن النظام "مجمد"، فإن إعداداته الداخلية لا يمكن أن تتغير؛ فهو ببساطة يعالج الصورتين وينتج شبكة من الاستجابات، واحدة لكل جزء صغير من الصورة.

الاكتشاف الجوهري للدراسة هو أن الفرق بين استجابة النظام للصورة الأصلية والاستجابة للنسخة المضطربة يخلق خريطة للتعديلات. فعندما يتم توليد منطقة من الصورة أو لصقها اصطناعياً، تكون استجابة النظام الداخلية للهزة مختلفة بشكل ملحوظ عن استجابة الخلفية الأصيلة. ومن خلال قياس هذا "الانجراف" في استجابة النظام عبر الصورة بأكملها، تمكن الباحثون من إنشاء خريطة حرارية تسلط الضوء على المناطق المعدلة. وقد أطلقوا على هذا الأسلوب اسم TRAIL. ومن المثير للاهتمام أن هذا تم دون تدريب معلمة واحدة جديدة أو تعليم النظام ما هو التزوير. إن القدرة على تحديد موقع التعديل كانت مخبأة بالفعل داخل نظام الرؤية القياسي، بانتظار الكشف عنها بواسطة النوع المناسب من الاضطراب.

عندما اختبر الفريق هذا الأسلوب على مجموعة بيانات تضم 80 صورة تحتوي على تعديلات واقعية، كانت النتائج مذهلة. فقد نجح أسلوب TRAIL في تحديد موقع التعديلات بدرجة عالية من الدقة، محققاً نتائج تقارب تلك التي حققها نظام "خاضع للإشراف" (supervised system) متطور تم تدريبه صراحةً على آلاف الأقنعة المزيفة. وبينما كان النظام المدرب يؤدي بشكل أفضل قليلاً في بعض المقاييس المحددة، إلا أن الفرق كان ضئيلاً جداً بحيث يقع ضمن نطاق عدم اليقين الإحصائي. والأهم من ذلك، وجد الباحثون أن هذه الإشارة لا تعتمد على نوع الذكاء الاصطناعي المستخدم لإنشاء الصورة المزيفة. فعندما اختبروا الطريقة على صور عُدلت باستخدام تقنيات كلاسيكية غير توليدية مثل "تداخل بواسون" (Poisson interpolation) - وهي طريقة تدمج البكسلات رياضياً دون استخدام نموذج توليدي - ظل النظام يعمل بكفاءة مماثلة تقريباً. وهذا يثبت أن الإشارة ليست مجرد نتاج جانبي لأخطاء مولد معين، بل هي خاصية أساسية لكيفية معالجة هذه الأنظمة الرؤية للسياقات التصويرية المعدلة مقابل الطبيعية.

كما استكشفت الدراسة أين تكون هذه الإشارة أقوى داخل نظام الرؤية. ومن خلال النظر في الطبقات المختلفة لبنية DINO، وجد الباحثون أن القدرة على تحديد موقع التعديلات تظهر باستمرار في الطبقات الأعمق من الشبكة، وتحديداً في آخر 10 إلى 20 بالمائة من خطوات المعالجة. وهذا يشير إلى أن النظام لا يطور هذه الحساسية إلا بعد معالجة الصورة بالكامل وفهم سياقها العالمي. علاوة على ذلك، كان حجم النموذج مهماً، ولكن ليس بالطريقة التي قد يتوقعها المرء. فبينما لم تنتج النماذج الأكبر دائماً درجة أعلى في رصد التزوير، إلا أنها كانت أفضل بكثير في تمييز الانجراف الناتج عن التعديل عن الاختلافات العادية الموجودة في الصورة الحقيقية. وهذا يعني أن النماذج الأكبر والأكثر قوة أفضل في عزل "بصمة" التلاعب عن ضجيج المشهد.

ولعل الاكتشاف الأكثر أهمية يتعلق بكيفية تقديم الصورة للنظام. فقد اكتشف الباحثون أن الطريقة تعتمد بشدة على معالجة الصورة ككل. فعندما حاولوا تعديل الصورة عن طريق اضطراب أجزاء صغيرة ومعزولة وتغذيتها للنظام بشكل منفصل، انخفضت القدرة على تحديد موقع التعديل بشكل كبير. يحتاج النظام إلى رؤية الصورة بأكملها، بحيث يكون الجزء المعدل محاطاً بسياقه الأصلي، لإنتاج خريطة دقيقة. وهذا يشير إلى أن "الانجراف" الذي يكتشفه النظام ليس مجرد أثر محلي، بل هو خلل في العلاقة بين الجزء المعدل وبقية المشهد. ويعمل الأسلوب بشكل أفضل عندما يتم الحفاظ على السياق العالمي، مما يسم يسمح للنظام باستشعار التنافر الطفيف بين الجزء المزيف ومحيطه الأصيل.

في النهاية، يوضح هذا البحث أن الأدوات اللازمة للكشف عن تزوير الصور وتحديد موقعها قد توجد بالفعل داخل أنظمة الرؤية العامة التي نستخدمها كل يوم. نحن لسنا بحاجة بالضرورة إلى بناء كواشف جديدة ومتخصصة لكل نوع جديد من التعديلات. بدلاً من ذلك، من خلال مجرد مراقبة كيفية تفاعل هذه الأنظمة الموجودة مع اضطراب لطيف ومنضبط، يمكننا كشف خريطة مخفية توضح أين تنتهي الحقيقة ويبدأ التزييف. تؤكد الدراسة أن المعلومات المكانية اللازمة لتحديد موقع التعديل موجودة في الاستجابة الخام لمشفر الرؤية "المجمد"، وهي تنتظر القراءة إذا عرفنا كيف ننظر. وهذا يفتح مساراً جديداً للتحليل الجنائي، يكون أسرع، ولا يتطلب بيانات تدريب، ويعتمد على الميكانيكا الأساسية لكيفية رؤية الآلات للعالم.