أصبح الذكاء الاصطناعي (AI) جزءًا لا يتجزأ من عالمنا، حيث تتفجر إمكانية إنتاج الفيديوهات المولدة باستخدام هذه التكنولوجيا بشكل متسارع. ولكن مع هذا التقدم، تبرز التحديات التي تتعلق بالأمان، والتي تتطلب أدوات قوية للكشف عن هذه الفيديوهات المضروبة. فبينما تحقق الأساليب الحالية نتائج واعدة في تقييماتها الداخلية، إلا أن أدائها غالبًا ما يتراجع كثيرًا عندما يُختبر على مولدات غير مشاهدة.

النظام الجديد الذي تم تقديمه، وهو إطار الكشف عن الفيديوهات المولدة بالذكاء الاصطناعي تحت اسم G2VD، يعد بحل العديد من هذه القضايا. يعتمد G2VD على مفهوم التدخل العكسي (Counterfactual Intervention) وفصل الأسباب (Causal Disentanglement) ليمنح قدرة أفضل في التعميم عبر النطاقات المختلفة.

يوفر G2VD عبر سلسلة من العمليات، بما في ذلك خط أنابيب التدخل العكسي (CFIPipeline)، تقنية لتوليد عينات مُراقَبة باستخدام أجيال تلقائية (Variational Autoencoders - VAEs) لتحقيق محاذاة في كل من النطاق الترددي ونطاق البيكسل، مما يشجع كواشف الفيديو على التركيز على الإشارات الخاصة بالمولدات.

مزيد من تحسين الأداء يتحقق من خلال تصميم مُصنف فصل الأسباب (Causal Disentanglement Classifier) الذي يتكون من فرعين مٌؤسسين على المجالات، وكل فرع لديه أهداف تصنيفية متميزة، مع إضافة قيود الاستقلالية المستندة إلى HSIC لتعزيز فصل الإشارات ذات الصلة بالمهام عن التحيزات المحددة بالمجالات.

وعند إجراء الاختبارات على أربع مجموعات بيانات عامة، يظهر G2VD أداءً قويًا بمعدل دقة موازٍ بنسبة تزيد عن 90% في الإعداد الصعب GenVidBench. والأهم من ذلك، أن هذه الدقة تحققت باستخدام 10% فقط من بيانات التدريب الأصلية.

لمعرفة المزيد حول G2VD، يمكنكم زيارة كود المشروع عبر هذا الرابط هنا. هل أنتم متحمسون لمعرفة كيف ستُغير هذه التقنية مفهوم أمان الفيديوهات في المستقبل؟ شاركونا آراءكم في التعليقات.