MCFN: A Lightweight Multi-Path Compound Fusion Network for Deepfake Face Detection

المرآة الرقمية والحبر الخفي

تخيل عالماً لا تكون فيه صورتك الرقمية مجرد صورة، بل كذبة حية تتنفس. هذا هو عالم التزييف العميق (deepfakes)، وهي تقنية تستخدم برامج حاسوبية قوية لتبديل الوجوه، وتقليد الأصوات، وإنشاء فيديوهات مزيفة تماماً تبدو واقعية للغاية، لدرجة أن عينيك لا تستطيع التمييز بينها وبين الحقيقة. الأمر يشبه مبرمج تزييف محترف لا يكتفي بنسخ لوحة فنية فحسب، بل يعيد إنشاء القماش، وضربات الفرشاة، ولمسة الفنان بدقة متناهية تجعل الأصل والمزيف غير قابلين للتمييز. وهذا يطرح مشكلة كبيرة لثقتنا الرقمية؛ فإذا لم نتمكن من معرفة ما هو حقيقي، فكيف نعرف ما هو صادق؟

ولكشف عمليات التزوير الرقمي هذه، قام العلماء ببناء "محققين" — وهي برامج حاسوبية مصممة لرصد الأخطاء الصغيرة التي تتركها الفيديوهات المزيفة وراءها. فكر في الأمر كخبير جنائي يبحث عن لطخة طلاء أو بصمة إصبع لا تنتمي للمكان. معظم هؤلاء المحققين كانوا ينظرون في مكان واحد فقط: المجال المكاني (spatial domain)، وهو ببساطة الصورة نفسها، بكسل تلو الآخر. إنهم يبحثون عن أنسجة غريبة أو أشكال غير منتظمة. ولكن إليك العقبة: تماماً كما قد يترك اللص المحترف آثار أقدام في الطين ولكنه أيضاً يغير ضغط الهواء من حوله، فإن التزييف العميق يترك أدلة في "لغات" مختلفة. إنه يترك آثاراً في الحواف (edges) (حيث يلتقي شيء بآخر)، وفي الترددات (frequencies) (الأنماط الخفية للضوء والصوت التي لا تراها أعيننا)، وفي الأنسجة (textures) (مدى نعومة أو خشونة السطح). إذا كان المحقق يبحث فقط عن آثار الأقدام، فقد يغفل عن أدلة ضغط الهواء. هذا هو السؤال الكبير الذي يتصدى له الباحثون في هذه الورقة البحثية: كيف نبني محققاً يمكنه قراءة كل هذه اللغات المختلفة في آن واحد للإيقاع بالمزور، دون الحاجة إلى حاسوب خارق يكلف ثروة؟

تعرف على MCFN: المحقق ذو العيون الثلاث

في هذه الورقة، يقدم المؤلفون محققاً جديداً يسمى MCFN (شبكة دمج المركبات متعددة المسارات). بدلاً من استخدام زوج واحد من العيون للنظر إلى الوجه، يستخدم MCFN ثلاثة "مسارات" أو تدفقات رؤية متوازية، كل منها متخصص في نوع مختلف من الأدلة.

تخيل أنك تحاول اكتشاف لوحة مزيفة في متحف:

1. المسار (أ) (محقق الأنسجة): ينظر هذا المسار إلى "جلد" الصورة. فهو يتحقق مما إذا كان النسيج يبدو طبيعياً، مثل الجلد الحقيقي، أم أنه يمتلك تلك النعومة البلاستيكية الغريبة التي غالباً ما توجد في الوجوه المولدة بواسطة الذكاء الاصطناعي.
2. المسار (ب) (محقق الحواف): يتجاهل هذا المسار الألوان ويركز على الخطوط العريضة. إنه يستخدم أدوات رياضية (مثل المسطرة والمنقلة) لفحص حواف الوجه. إذا تم استبدال وجه بجسم آخر، فقد تبدو الحواف حيث يلتقي العنق بالكتفين ضبابية أو متعرجة قليلاً. هذا المسار شديد الحساسية لتلك "الدرزات" أو الفواصل.
3. المسار (ج) (محقق الترددات): هذا هو الجزء الأروع. فهو لا ينظر إلى الصورة على الإطلاق؛ بل ينظر إلى "موسيقى" الصورة. كل صورة تتكون من موجات ضوئية. وغالباً ما يترك مولدو الذكاء الاصطناست خلفهم "طنينًا" معيلاً أو نمطاً متكرراً في هذه الموجات (مثل نمط رقعة الشطرنج) لا تستطيع العين البشرية رؤيته. هذا المسار يستمع لهذا الطنين.

الغراء السحري: وحدة الدمج المركب
هنا يصبح MCFN ذكياً حقاً. في الأنظمة القديمة، كان هؤلاء المحققون الثلاثة يعملون بشكل منفصل ثم يصرخون باستنتاجاتهم إلى "رئيس" في النهاية. أما MCFN، فيحتوي على "وحدة دمج مركبة". فكر في هذا كطاولة مستديرة للنقاش حيث يجلس محققو النسيج والحافة والتردد معاً قبل اتخاذ قرار نهائي. إنهم يتبادلون الملاحظات؛ فيقول محقق الحواف: "مهلاً، أنا أرى درزة غريبة هنا"، فيرد محقق التردد: "أوه، هذا هو المكان الذي يوجد فيه الطنين الغريب أيضاً!". إنهم يدمجون أدلتهم في "تلميح" واحد فائق القوة.

مُكيّف FiLM: ضبط الدماغ الرئيسي
يُستخدم هذا التلميح المدمج لتعديل الدماغ الرئيسي للنظام، وهو محرك قياسي للتعرف على الصور يسمى EfficientNet-B0. يستخدم المؤلفون تقنية تسمى FiLM (التعديل الخطي المعتمد على الميزات). تخيل أن الدماغ الرئيسي هو موسيقي يعزف أغنية؛ فإن "التلميح" من المحققين الثلاثة يشبه قائد الأوركسترا الذي يتدخل قائلاً: "اجعل الطبول أعلى هنا، واخفض صوت الجيتار هناك". هذا يسمح للدماغ الرئيسي بالتركيز فوراً على النقاط المشبوهة التي أشارت إليها المسارات الأخرى، بد แทน الاكتفاء بالتخمين فقط.

ما وجدوه

اختبر الباحثون MCFN في أربعة "مسارح جريمة" (مجموعات بيانات) تحتوي على آلاف الوجوه الحقيقية والمزيفة، بما في ذلك بعض أكثر التزييفات العميقة شهرة وصعوبة في الكشف.

• النتائج: لم يكتفِ MCFN بأداء جيد فحسب، بل كان الأفضل. ففي مجموعة بيانات FaceForensics++، حقق دقة بلغت 95.12%. وعلى مجموعة بيانات Celeb-DF الصعبة، وصل إلى 97.05% من الدقة. وحتى على مجموعة بيانات Google DFD، المعروفة بصعوبة اختراقها، سجل 84.64% من الدقة.
• الكفاءة: عادةً، للحصول على نتائج أفضل، تحتاج إلى نموذج حاسوبي أكبر وأثقل. لكن MCFN خفيف الوزن بشكل مفاجئ؛ إذ يحتوي فقط على 6.33 مليون معلمة قابلة للتدريب. ولتضع ذلك في الاعتبار، فهو أصغر بكثير من العديد من النماذج الرائدة الأخرى (مثل Xception، الذي يمتلك أكثر من 20 مليون معلمة). إنه يشبه الحصول على سرعة سيارة فيراري في سيارة مدمجة صغيرة.
• "لماذا" (دراسة الاستئصال): أجرى المؤلفون سلسلة من الاختبارات حيث قاموا بإزالة جزء واحد من النظام في كل مرة لمعرفة ما هو الأكثر أهمية.
  • عندما أزالوا تكييف FiLM (القائد)، انخفضت الدقة بأكبر قدر (حوالي 2.55 نقطة مئوية). وهذا أثبت أن السماح لـ "التلميح" بتوجيه الدماغ الرئيسي هو الخطوة الأكثر حرجاً.
  • عندما أزالوا الدمج المركب (الطاولة المستديرة)، انخفضت الدقة أيضاً بشكل كبير، مما يثبت أن المحققين يجب أن يتحدثوا مع بعضهم البعض ليكونوا فعالين.
  • إزالة مسارات الحواف أو الترددات وحدها أدت أيضاً إلى تراجع الأداء، مما يثبت أنك بحاجة حقاً إلى جميع أنواع الأدلة الثلاثة.

الخلاصة

تشير الورقة البحثية إلى أن MCFN هو طريقة فعالة للغاية، وخفيفة الوزن، وقابلة للتعميم لكشف التزييف العميق. فهو لا يعتمد على نوع واحد من الأدلة، بل يدمج الأنسجة والحواف وأنماط التردد الخفية في إشارة واحدة قوية توجه عملية الكشف. يظهر المؤلفون أن هذا النهج يعمل بشكل أفضل من العديد من الأساليب الحالية المتطورة، رغم أن النموذج أصغر وأسرع بكثير.

ومع ذلك، يلاحظ المؤلفون بحذر أن هذا مجرد لقطة زمنية؛ فقد اختبروا النموذج على مجموعات بيانات محددة، ويعترفون بأن التزييف العميق المستقبلي قد يتطور لإخفاء هذه الأدلة المحددة. كما يشيرون إلى أن نموذجهم الحالي ينظر إلى الإطارات المنفردة (الصور) ولم يتعلم بعد استخدام جانب "الفيلم" (الزمن) للإيقاط بالتزييف. ولكن في الوقت الحالي، يقف MCFN كأداة جديدة قوية وفعالة وذكية في المعركة للحفاظ على واقعنا الرقمي حقيقياً.