في عالم الذكاء الاصطناعي (AI)، يصعب أحيانًا تحديد مصدر الصور الاصطناعية الناتجة عن خوارزميات متطورة. تحاول دراسة جديدة تقديم إجابات ملموسة من خلال تحليل خيارات التحويل والتخصيص دون الحاجة للتدريب.

تُعرف برامج attribution الصور الاصطناعية بأنها تحاول كشف المصدر الذي أنتج صورة معينة، وفي هذا السياق، تتحدث الدراسة عن طرق جديدة تعتمد على اختيار المراجع (reference selection). ومن المثير للدهشة أن هذه الطريقة سهلة التوسع، حيث تُضاف المراجع الخاصة بالأنظمة المولدة الجديدة دون الحاجة إلى إعادة تدريب المصنفات الخاصة بالمهمة.

تتناول الدراسة تأثيرات معتمدين على مفهومين: أولًا، الفضاء التمثيلي المستخدم في المقارنة، وثانيًا، كيفية بناء المراجع الخاصة بالمصدر. ومع ذلك، تُظهر الأبحاث أن التفاعل بين هذين العاملين ما زال غير مستكشف بشكل كافٍ.

لذا، وفرت الدراسة تحليلًا مُراقبًا حول تفاعل هذه العوامل باستخدام مراجع تم اختيارها وتمثيلات تم تدريبها مسبقًا. تناول الباحثون تمثيلات مستخرجة من طبقات مختلفة من نماذج CLIP وDINOv2، واستعرضوا ثلاثة طرق لاختيار المراجع تعتمد على قيود دلالية متنوعة: مراجع عشوائية، مراجع متوافقة دلاليًا ومراجع بناءً على إعادة تركيب.

تشير النتائج إلى أن دقة التخصيص تصل إلى ذروتها عند مستويات تمثيل متوسطة، مما يدل على أن العلامات التمييزية للمصدر تكون أكثر وضوحًا قبل أن تسيطر التجريدات الدلالية. كما لم تكن التمثيلات المتوسطة محايدة تمامًا دلاليًا، مما يجعل اختيار المراجع أمرًا حيويًا؛ إذ تقلل المراجع ذات القيود الدلالية من انعدام التطابق بين الاستعلام والمراجع، مما يُحسن النتائج، خصوصًا في الحالات ذات الميزانية المحدودة للمراجع.

علاوة على ذلك، كانت إعادة التركيب أكثر فائدة في البيئات ذات المراجع القليلة، بينما توفر المراجع المتوافقة دلاليًا توازنًا أفضل بين الدقة والتكلفة في حالة وجود مجموعة متوسطة الحجم من المراجع.

تُظهر هذه النتائج أنه من الضروري فهم عملية النسبة والمقارنة بين الصور من خلال تفاعل المكان الذي تتم فيه المقارنة، وكيفية تطوير مجموعة المراجع وعدد المراجع المتاحة.