في عصر تزايد استخدام أدوات تحرير الصور المتقدمة، أصبحت التلاعبات الرقمية تمثل تحدياً صعباً في مجال الأمن المعلوماتي والطب الشرعي الرقمي. لذا يأتي هذا البحث بمساهمة مميزة من خلال إطار عمل يعتمد على التعلم الانتقالي (Transfer Learning) للكشف عن تزييف الصور الرقمية.

تجمع الطريقة المقترحة بين تحسين الميزات المدركة للضغط وعمق الشبكات العصبية الالتفافية (Convolutional Neural Networks - CNN). إذ تستخدم تقنية الإدخال الهجينة التي تدمج بين صور RGB وميزات تعتمد على الفرق في الضغط (FDIFF)، مما يساعد في تسليط الضوء على عيوب التلاعب الدقيقة التي يصعب اكتشافها عادةً.

كما تم اعتماد استراتيجية تحسين عتبة تكيفية خاصة بالنموذج استناداً إلى مؤشر يويدن (Youden Index)، بهدف تحسين موثوقية التصنيف وتحقيق توازن أفضل بين الإيجابيات الحقيقية والسلبية.

أجريت تجارب على مجموعة بيانات CASIA v2.0، حيث تم تطبيق عدة نماذج CNN مسبقة التدريب مثل DenseNet121، VGG16، ResNet50، EfficientNetB0، MobileNet، وInceptionV3. وأظهرت النتائج أن نموذج DenseNet121 حقق أعلى مستوى من الدقة، بينما قدم ResNet50 التوقعات الأكثر توازناً وموثوقية.

توصلت النتائج إلى أن الاعتماد فقط على الدقة ليس كافياً في التطبيقات الجنائية، حيث يعد تقليل عدد الإيجابيات السلبية أمراً حيوياً. إن الإطار المقترح يعمل على تحسين رؤية عيوب التلاعب ويعزز متانة التصنيف، مما يجعله مناسباً لتطبيقات الكشف عن تزييف الصور الرقمية في العالم الحقيقي. هل تشعر بفضول حول كيفية تأثير هذه التقنية على الأمن المعلوماتي؟ شاركونا آراءكم في التعليقات!