Image Tampering Region Localization Method Based on Pseudo Label Driver and Dynamic Multi branch Decoding

في العالم الحديث، أصبحت الصور الرقمية هي اللغة الأساسية للحقيقة البصرية؛ فهي تعمل كأدلة في قاعات المحاكم، وسجلات في التشخيصات الطبية، وأساس لتقارير الأخبار. ومع ذلك، فإن الأدوات ذاتها التي تسمح لنا بالتقاط هذه اللحظات تجعل من السهل للغاية تعديلها. يمكن للشخص أن يقتطع وجهاً من صورة ويلصقه على أخرى، أو يزيل جسماً غير مرغوب فيه، أو يكرر جزءاً من منظر طبيعي لملء فجوة. غالباً ما يتم تنفيذ هذه التلاعبات بمهارة فائقة تجعل العين البشرية تعجز عن رصد الفرق. والنتيجة هي أزمة ثقة متزايدة، حيث لم يعد "الرؤية" تعني "التصديق". ولمواجهة ذلك، ظهر مجال يُعرف باسم التحقيق الجنائي للصور الرقمية (digital image forensics)، وهو مخصص للبحث عن البصمات غير المرئية التي تتركها هذه التعديلات. وبخلاف المراقب البشري الذي يبحث عن التناقضات الواضحة، يقوم برنامج التحليل الجنائي بمسح الأخطاء الإحصائية الدقيقة، وأنماط الضجيج، وعدم انتظام الحدود التي يتركها مستشعر الكاميرا أو برنامج التحرير حتماً.

إن التحدي الذي يواجه العلماء في هذا المجال هو أن التعديلات لا تترك جميعها نفس النوع من البصمات. فبعض التلاعبات، مثل دمج صورتين مختلفتين معاً، تخلق خطوطاً واضحة حيث يتغير الضوء أو الملمس فجأة. أما التلاعبات الأخرى، مثل نسخ ولصق جزء من صورة على نفسها، فهي أصعب بكثير في الكشف عنها لأن الجزء المنسوخ يأتي من المصدر نفسه ويشارك الجزء الأصلي نفس الإضاءة والملمس تماماً. علاوة على ذلك، تعاني العديد من الأدوات الموجودة حالياً عندما يكون الجزء المعدل صغيراً جداً أو عندما يتم ضغط الصورة أو تغيير حجمها، مما يؤدي إلى طمس الأدلة التي يحتاجها البرنامج للعثور عليها. وتقترح دراسة جديدة أجراها باحثون من جامعة جيمي (Jimei University) وكلية شيامن للتكنولوجيا الأمنية المهنية حلاً يعامل هذه الأنواع المختلفة من التعديلات ليس كمشكلة واحدة، بل كمجموعة من الألغاز المتمايزة التي تتطلب استراتيجيات مختلفة.

لقد طور الباحثون نظاماً يعمل كأداة متعددة الاستخدامات لتحليل الصور، مصممة لتكييف نهجها بناءً على نوع التلاعب الذي تواجهه. فبدلاً من إجبار كل صورة على المرور عبر عملية واحدة جامدة، يقوم منهجهم أولاً بفحص الصورة لفهم نوع التلاعب الذي قد يكون موجوداً. ثم يقوم بتنشيط مسارات متخصصة مختلفة داخل برمجياته للبحث عن القرائن المرتبطة بهذا النوع من التعديل. فعلى سبيل المثال، إذا اشتبه النظام في أن قطعة من الصورة قد تم نسخها ولصقها من مكان آخر داخل نفس الصورة، فإنه ينتقل إلى وضع يبحث عن الأنماط المتطابقة بين منطقتين مختلفتين. وإذا اشتبه في عملية قص ولصق من صورة مختلفة، فإنه يركز على الحواف حيث تلتقي الصورتان للعثور على عدم استمرارية في الملمس أو الإضاءة.

كان العائق الرئيسي الذي تعين على الفريق تجاوزه هو نقص بيانات التدريب الكاملة. ففي كثير من الحالات، يمكن للخبراء تحديد مكان الجزء المزيف من الصورة، لكن لا يمكنهم بسهولة تحديد من أين جاء الجزء الأصلي المنسوخ، خاصة إذا لم تكن الصورة الأصلية مصنفة بهذه المعلومات. ولحل هذه المشكلة، ابتكر الباحثون طريقة تسمح للكمبيوتر بتعليم نفسه؛ حيث يقوم النظام بعمل تخمين مدروس حول مكان المصدر الأصلي للجزء المنسوخ، وينشئ تسمية مؤقتة له، ثم يستخدم هذه التسمية لتحسين فهمه الخاص. ويقوم بذلك من خلال فحص "ثقة" داخلي؛ فإذا بدا التخمين مهتزاً أو غير موثوق، فإن النظام يقلل من وزنه، مما يمنعه من التعلم من أخطائه. وهذا يسمح للبرنامج بتعلم العلاقة المعقدة بين المنطقة المنسوخة ومصدرها دون الحاجة إلى أن يشير إنسان إلى كل تفصيل بمفرده.

كما يولي النظام اهتماماً خاصاً بحواف المناطق المتلاعب بها. فعندما يتم التلاعب بمنطقة ما، فإن الحدود بين الجزء المزيف والحقيقي غالباً ما تكون الجزء الأكثر دلالة، ومع ذلك فهي أيضاً الأسهل في الفقدان عند تصغير الصورة أو ضغطها. وقد أضاف الباحثون طبقة تحليل محددة مخصصة لشحذ هذه الحدود، مما يضمن أن الخريطة النهائية للمنطقة المتلاعب بها ليست مجرد بقعة ضبابية، بل هي مخطط دقيق يطابق واقع التعديل. هذا الاهتمام بالتفاصيل أمر بالغ الأهمية للتعديلات الصغيرة، التي قد تبتلعها المساحات الشاسعة غير المعدلة في الخلفية.

وعندما اختبر الباحثون طريقتهم الجديدة مقابل التقنيات الموجودة، كانت النتائج كبيرة. ففي الاختبارات التي تم فيها تدريب البرنامج على مجموعة من الصور ثم طُلب منه العثور على التلاعب في مجموعة مختلفة تماماً، حقق معدل نجاح قدره 75.4% في مهام الدمج (splicing)، و52.7% في مهام النسخ واللصق (copy-move). وتمثل هذه الأرقام تحسناً واضحاً مقارنة بالطرق السابقة، لا سيما في المجال الصعب المتمثل في كشف النسخ واللصق، حيث يكون المصدر والهدف متشابهين للغاية لدرجة أنهما يخدعان الأنظمة الأخرى غالباً. وعندما تم اختبار البرنامج على صور من نفس مجموعة البيانات التي تدرب عليها، ارتفعت دقة النظام إلى ما يقرب من 99%، مما يدل على قدرته على تعلم الأنماط الخاصة بمجموعة البيانات بفعالية كبيرة.

كما أظهرت الدراسة أن النظام يتمتع بالمتانة ضد الأضرار الواقعية. فالصور في العالم الحقيقي غالباً ما يتم ضغطها، أو تغيير حجمها، أو جعلها ضبابية قبل فحصها. وقد حافظ المنهج الجديد على أداء عالٍ حتى عندما تعرضت الصور لهذه التدهورات الشائعة، حيث صمد في المواضع التي بدأت فيها الأنظمة الأخرى في الفشل. ومن خلال الجمع بين نهج مرن متعدد المسارات وآلية تعلم ذاتية التصحيح، نجح الباحثون في إنشاء أداة أكثر قدرة على التعامل مع الطبيعة المتنوعة والمتطورة للتزوير الرقمي. ويشير هذا العمل إلى أن مستقبل التحقيق الجنائي للصور لا يكمن في كاشف واحد متعدد الأغراض، بل في أنظمة تكيفية يمكنها التعرف على التوقيع الفريد لكل نوع من أنواع التلاعب والاستجابة بالاستراتيجية المناسبة.