CAMNet: A Deep Learning Cross-Attention Multi-Stream Network for Robust Audio-Visual Deepfake Detection

المرآة الرقمية والروح في الآلة

تخيل أنك تنظر في مرآة، ولكن بدلاً من رؤية انعكاس صورتك، ترى نسخة واقعية للغاية ومثالية لمشهور يقول أشياء لم يقلها أبداً، أو سياسي يعلن الحرب على دولة يحبها. هذا ليس سحراً؛ بل هو نتيجة مجال علمي يتطور بسرعة يُعرف باسم تقنية "التزييف العميق" (deepfake). في جوهرها، تستخدم تقنيات التزييف العميق برامج حاسوبية قوية تُعرف بالذكاء الاصطناعي لاستبدال الوجوه، واستنساخ الأصوات، ودمج الفيديو والصوت لتبدو حقيقية تماماً. إنها تشبه محرك دمى رقمي يحرك خيوطاً غير مرئية لجعل الشخص يتحرك ويتحدث بطرق لم يفعلها قط.

لفترة طويلة، حاول العلماء بناء "أجهزة كشف الكذب الرقمية" لرصد هذه التزييفات. كانت المحاولات الأولى تشبه البحث عن بقعة واحدة على نافذة؛ فقد تكتشف فيديو سيئاً، ولكن إذا كان الصوت حقيقياً، يصاب الكاشف بالارتباك، أو العكس. المشكلة هي أن التزييف العميق يزداد دهاءً. يمكنهم تزييف وجه مع الحفاظ على الصوت الحقيقي، أو تزييف الصوت مع الحفاظ على الوجه الحقيقي. للإمساك بمزور بارع، لا يمكنك مجرد النظر إلى الصورة أو الاستماع إلى الصوت فحسب؛ بل يجب عليك التحقق مما إذا كانت الصورة والصوت "يمسكان بأيدي بعضهما" بشكل صحيح. إذا كانت الشفاه تتحرك لكن الكلمات لا تتطابق، أو إذا كان الصوت يبدو آلياً بينما يبدو الوجه طبيعياً، فهذه علامة. هذا هو التحدي الذي تسعى دراسة جديدة من باحثين في معهد فيلور للتكنولوجيا (Vellore Institute of Technology) إلى حله.

دخول CAMNet: المحقق الخارق ذو العينين

قام الباحثون وراء هذه الدراسة، باتولا ثيروماليشواري ديفي وراجكومار راجا سيكاران، ببناء نظام تحقيق رقمي جديد أطلقوا عليه اسم CAMNet. فكر في CAMNet ليس ككاميرا واحدة، بل كمحقق خارق يمتلك زوجين متميزين من العينين والأذنين يتحدثان مع بعضهما باستمرار. وبينما قد تنظر الأنظمة القديمة إلى الفيديو ثم تستمع إلى الصوت بشكل منفصل، تم تصميم CAMNet لمراقبة الفيديو أثناء الاستماع إلى الصوت، للتحقق مما إذا كانا متزامنين.

بُني النظام مثل طريق سريع متعدد المسارات مخصص لأنواع مختلفة من المعلومات. هناك مسار مخصص للصوت، يستخدم "1D CNN" (نوع من عقول الكمبيوتر الجيدة في رصد الأنماط في الموجات الصوتية) و"Transformer" (نموذج ذكي يفهم إيقونة وتدفق الكلام). وهناك مسار آخر مخصص للفيديو، يستخدم "3D CNN" لمراقبة كيفية تحرك البكسلات بمرور الوقت، و"Vision Transformer" لفهم الصورة الكبيرة لتعبيرات الوجه.

لكن السحر الحقيقي يحدث في المنتصف، حيث تلتقي هذه المسارات. هذا هو آلية الاهتمام المتقاطع (Cross-Attention). تخيل قائد أوركسترا؛ إذا عزف عازف الكمان (الفيديو) نوتة موسيقية، فإن القائد (وحدة الاهتمام المتقاطع) يتحقق مما إذا كان عازف الفلوت (الصوت) يعزف النوتة المطابقة في اللحظة ذاتها تماماً. إذا كان عازف الفلوت متأخراً بجزء من الثانية، أو إذا كان عازف الكمان يصنع تعبيراً لا يتناسب مع الموسيقى الحزينة، فإن القائد يرفع راية حمراء. يقوم CAMNet بذلك من خلال السؤال باستمرار: "هل حركة الشفاه تتطابق مع هذا الصوت؟" و"هل نبرة الصوت تتطابق مع تعبير الوجه هذا؟". إذا كانت الإجابة لا، فإنه يعرف أن هناك أمراً مريباً.

المواجهة الكبرى: كيف كان أداء CAMNet

لمعرفة مدى جودة هذا المحقق الجديد، وضعه الباحثون تحت الاختبار ضد مجموعة بيانات FakeAVCeleb. هذه مجموعة ضخمة من مقاطع الفيديو التي تحتوي على أربعة أنواع من السيناريوهات: أشخاص حقيقيون بأصوات حقيقية، أشخاص حقيقيون بأصوات مزيفة، أشخاص مزيفون بأصوات حقيقية، وأشخاص مزيفون بأصوات مزيفة. إنه الاختبار النهائي، المصمم لمعرفة ما إذا كان النظام يمكنه رصد التزوير حتى عندما يكون نصف القصة فقط مزيفاً.

كانت النتائج مثيرة للإعجاب. نجح CAMNet في تحديد ما إذا كان الفيديو حقيقياً أم مزيفاً بنسبة 98.27% من الوقت. ولوضع ذلك في الاعتبار، قارن الباحثون CAMNet بطرق أخرى شائعة. حققت بعض الأنظمة القديمة أحادية المسار (unimodal) حوالي 81% فقط من الدقة. وحتى بعض أفضل أنظمة "العمل الجماعي" (ensemble models) التي حاولت دمج كاشفات مختلفة لم تصل إلا إلى حوالي 92.9%. لم يفز CAMNet فحسب، بل سجل رقماً قياسياً جديداً.

كان النظام بارعاً بشكل خاص في رصد الحالات التي يكون فيها الفيديو مزيفاً ولكن الصوت حقيقياً (سيناريو يسمى ARVF)، حيث حقق معدل دقة بلغ 97.81%. كما كان قوياً جداً في كشف الحالات التي يتم فيها تزييف كل من الفيديو والصوت. وجد الباحثون أنه باستخدام "رأس تصنيف متعدد الملصقات" (multilabel classification head)، استطاع النظام إصدار أحكام منفصلة للصوت والفيديو في آن واحد، بدلاً من فرض إجابة واحدة بـ "نعم أو لا" للمقطع بأكم له. سمح هذا له بكشف الحيل المعقدة حيث يكون جزء واحد من الوسائط حقيقياً والآخر غير ذلك.

لماذا يهم هذا (وما الخطوة التالية)

تشير الدراسة إلى أنه من خلال إجبار الصوت والفيديو على "التحدث" مع بعضهما البعض من خلال نظام الاهتمام المتقاطع هذا، يمكننا كشف التزييف العميق الذي يحاول الاختباء عبر إبقاء جزء واحد من الوسائط حقيقياً. كما أضاف الباحثون طبقة من "التدفق البصري" (optical flow) إلى النظام، وهو ما يشبه كاشف الحركة الذي يراقب كيفية تحرك الأشياء عبر الشاشة لرصد أي حركات مفاجئة أو خلل قد تغفل عنه العين البشرية.

ومع ذلك، يوضح المؤلفون أن هذه ليست نهاية القصة. فتقنية التزييف العميق تتطور بسرعة، وبينما يعد CAMNet حالياً بطلاً في المختبر، يقر الباحثون بأن المزورين المستقبليين قد يبتكرون تزييفات أكثر واقعية. ويقترحون أن الخطوة التالية هي جعل النظام أسرع بحيث يمكنه العمل في الوقت الفعلي على منصات التواصل الاجتماعي وتعليمه التعرف على أنواع جديدة من الحيل. ولكن في الوقت الحالي، يقف CAMNet كأداة قوية جديدة في المعركة للحفاظ على نزاهة عالمنا الرقمي، مثبتاً أنه في بعض الأحيان، أفضل طريقة للإمساك بالكاذب هي التأكد من أن صوته ووجهه يرويان القصة نفسها.