في عالم يتطور بسرعة في مجال النماذج التوليدية، تبرز الحاجة الملحّة إلى تطوير تقنيات فعالة يمكنها التعرف بشكل موثوق على الصور الاصطناعية. ومع تزايد الجهود في إطار التعرف على الصور المزيفة، تم طرح العديد من نماذج الكشف، ولكن ما هو جلي هو أن التركيز كان بشكل رئيسي على التعميم عبر أدوات التوليد المختلفة فقط.

في هذا السياق، تم تقديم معيار OmniGen، وهو مجموعة بيانات تقييم شاملة تضم 12 من أفضل مولدات الصور، مما يقدم وسيلة أكثر واقعية لتقييم أداء أدوات الكشف في ظروف حقيقية. ويليه ابتكار FusionDetect، وهو أسلوب حديث يهدف إلى تعزيز القدرة على التعميم عبر المجالات البصرية المختلفة.

يعتمد FusionDetect على ميزات نموذجين أساسيين مشهورين هما CLIP وDinov2، حيث يتم دمج المزايا من كلا النموذجين لتطوير فضاء ميزات متماسك يتكيف بشكل طبيعي مع تغيرات محتوى وتصميم المولد.

لقد أجريت تجارب موسعة تظهر أن FusionDetect يحافظ على دقة تتفوق بنسبة 3.87% على أقرب منافسيه و6.13% أعلى في المتوسط مقارنة بالمؤشرات المعمول بها. كما حقق زيادة بنسبة 4.48% في الدقة على OmniGen، مع قدرة استثنائية على التكيف مع الاضطرابات الشائعة في الصور.

هذا الابتكار لا يمثل فقط جهاز كشف متطور، بل يقدم أيضًا معيارًا جديدًا وإطار عمل لتعزيز تكنولوجيا التعرف على الصور باستخدام الذكاء الاصطناعي. يمكنكم الاطلاع على الشيفرة ومجموعة البيانات عبر الرابط: http://github.com/amir-aman/FusionDetect.