كشف التزييف العميق المستقل عن الجودة باستخدام التعلم التعاوني بين النماذج

أثارت تقنية الدوبلينغ العميق (Deepfake) مؤخرًا مجموعة واسعة من القضايا الاجتماعية بسبب التهديدات الأمنية المحتملة وانتشار المعلومات الكاذبة. وتم إجراء العديد من الدراسات حول كشف الدوبلينغ العميق. ومع ذلك، ما زال كشف الفيديوهات المزيفة ذات الجودة المنخفضة، بالإضافة إلى الكشف الفوري عن جودات متعددة من الفيديوهات المزيفة، يشكل تحديًا جسيمًا. تُعدّ معظم الأساليب المتطورة حاليًا (SOTA) محدودة باستخدام نموذج واحد مخصص للكشف عن نوع معين من جودة الفيديو المزيف. وعند بناء عدة نماذج باستخدام معلومات مسبقة عن جودة الفيديو، فإن هذا النهج يُولِّد تكاليف حسابية كبيرة، إلى جانب عبء كبير على النماذج وبيانات التدريب. علاوةً على ذلك، يصعب تطبيقه على نطاق واسع أو استخدامه في البيئات الواقعية بسبب قلة قابليته للتوسع. في هذا العمل، نقترح إطارًا تعاونيًا داخليًا عامًا (Universal Intra-Model Collaborative Learning Framework) يمكّن من الكشف الفعّال والمتزامن عن جودات مختلفة من الفيديوهات المزيفة. وبهذا، يُعدّ نهجنا طريقة للكشف عن الدوبلينغ العميق المستقلة عن الجودة، ونُطلق عليها اسم QAD. وبشكل خاص، وباستقراء الحد الأقصى لتوقع الخطأ العام، نُعظم الاعتماد بين التمثيلات الوسطى للصور من مستويات جودة مختلفة باستخدام معيار الاستقلال هيلبرت-شميدت (Hilbert-Schmidt Independence Criterion). علاوةً على ذلك، تم تصميم وحدة تperturbation وزنية مضادة (Adversarial Weight Perturbation) بعناية لتمكين النموذج من مقاومة التلف في الصور، مع تعزيز الأداء العام للنموذج. وأظهرت التجارب الواسعة على سبعة مجموعات بيانات شهيرة للفيديوهات المزيفة تفوق نموذجنا QAD على النماذج المتطورة السابقة.