مع التقدم الكبير في نماذج توليد الصور الاصطناعية والتزييف العميق (Deepfake)، أصبحت مسألة تحديد مصدر الصور والتحقق من أصالتها من التحديات الحاسمة التي تواجه أنظمة الرؤية الحاسوبية الحديثة. تظهر الأبحاث الأخيرة أن عمليات التوليد بالطريقة الانتشارية (Diffusion) تترك آثارًا إحصائية دائمة، تُعرف بالتسريبات الصوتية (Signal-Leaks)، في مخرجاتها، وخصوصًا في التمثيلات الكامنة.

في هذا السياق، يأتي بروتو ليكنيت (Proto-LeakNet) كإطار مبتكر يركز على التسريبات الصوتية ويُعتبر أول إطار قابل للتفسير لأغراض تحديد المصدر. يجمع الإطار بين التصنيف المغلق (Closed-set Classification) وتقييم الكثافة القائم على الفتح (Open-set Evaluation) للتمثيلات المستفادة، مما يُمكّن من تحليل المولدات غير المرئية دون الحاجة إلى إعادة التدريب.

يعمل بروتو ليكنيت في المجال الكامن لنماذج الانتشار، حيث يُعيد محاكاة الانتشار الجزئي للكشف عن الأدلة الخاصة بالمولدات المتبقية. كما يستخدم مشفرًا للانتباه الزمني (Temporal Attention Encoder) لجمع ميزات كامنة متعددة الخطوات، بينما يقوم رأس النموذج الموزون بالميزات (Feature-weighted Prototype Head) بتهيئة فضاء التمثيل وتمكين تحديد المصدر بشكل شفاف.

تم تدريب بروتو ليكنيت فقط على بيانات مغلقة، وحقق AUC Macro بنسبة 98.13%، مما يعني أنه يتعلم هندسة كامنة تظل قوية أمام المعالجة اللاحقة، متفوقًا بذلك على الطرق الحالية ويحقق فصلاً قويًا بين الصور الحقيقية والمولدات المعروفة وكذلك بين المعروفة وغير المعروفة.

للاستفادة من هذا الإطار المبتكر، يمكن الوصول إلى الكود البرمجي عبر الرابط: رابط GitHub. إن تسرب المعلومات وضمان المصداقية سيظل محطا للبحث والابتكارات في عالم الذكاء الاصطناعي.