في عالم يتزايد فيه الاستخدام الشائع للصور المولدة بواسطة نماذج الانتشار الكامن (Latent Diffusion Models) بشكل غير مسبوق، تبرز القضايا المتعلقة بحقوق الطبع والمعلومات المضللة كأحد التحديات الكبرى. وقد عانت الطرق التقليدية للتمييز في مجال التردد (frequency-domain watermarking) من عوائق رئيسية تتمثل في محدودية القدرة وتصميم الأنماط الجامدة.

يتمثل الحل المبتكر الذي تم تقديمه في DeepFreqMark، وهو إطار عمل قابل للتعلم من النهاية إلى النهاية، حيث يعتمد على تقنية جديدة لا تتطلب هندسة الأنماط اليدوية. يستبدل DeepFreqMark هذه العملية بمشفر ومفكك رسائل يعتمد على الشبكات العصبية، مما يسهل عملية تضمين العلامات المائية في بيئة التردد.

ومن الجدير بالذكر أن DeepFreqMark يتجاوز القيود الحالية عن طريق إدخال محاكاة هجوم تعتمد على الاستيفاء الخطي الكروي (Spherical Linear Interpolation - Slerp) خلال مرحلة التدريب. تهدف هذه الطريقة إلى العمل مباشرةً على الضوضاء الكامنة بينما تحافظ بدقة على التباين الغوسي.

تظهر التجارب الواسعة أن DeepFreqMark تحقق معدلات خطأ في البت (Bit Error Rates - BER) أقل بكثير مقارنةً بالأساليب التقليدية. وبالإضافة إلى ذلك، يمكنها التوسع لاستيعاب سعات رسائل تصل إلى 256 بت، مما يعد إنجازًا كبيرًا في هذا المجال.

يمكن أن يكون لهذا الابتكار تأثير كبير على كيفية التعامل مع الصور المولدة بواسطة الذكاء الاصطناعي، مما يسهم في حماية حقوق الطبع وضمان تمييز فعّال. لدراسة الكود المصدر، يمكنكم الاطلاع عليه عبر رابط المصدر.