DeeCLIP: إطار عمل قوي وقابل للتعميم مبني على Transformer لكشف الصور المُولَّدة بالذكاء الاصطناعي

☀️ إذا وجدت هذا العمل مفيدًا لبحثك، فيُرجى لطفًا وضع نجمة على مستودعنا والاستشهاد بورقتنا البحثية! ☀️

TODO

نعمل جاهدين على العناصر التالية:

• نشر ورقة ArXiv البحثية
• نشر سكربتات التدريب
• نشر سكربتات الاستدلال
• نشر نقاط التحقق (checkpoints)

DeeCLIP

DeeCLIP هو إطار عمل مبتكر لكشف الصور المُولَّدة بالذكاء الاصطناعي باستخدام مزيج من CLIP-ViT والتعلم الاندماجي. ومع استمرار تحسُّن النماذج التوليدية، يصبح كشف الصور الاصطناعية أكثر صعوبة بسبب ضعف التعميم وقابلية التأثر بالتلاعبات الشائعة للصور. يعالج DeeCLIP هذه المشكلات ببنية قوية وقابلة للتكيف.

🔍 نظرة عامة

يعزز DeeCLIP كشف الصور المُولَّدة بالذكاء الاصطناعي من خلال دمج:

• ✅ التعلم بدون عينات (Zero-shot learning) عبر CLIP-ViT لتعميم مستقل عن النموذج.
• 🧠 الضبط الدقيق القائم على LoRA للتكيف بكفاءة دون نسيان.
• 🔀 DeeFuser: وحدة اندماج مخصصة تجمع بين الميزات العميقة والسطحية لتحقيق المتانة في مرحلة ما بعد المعالجة.
• 🎯 دالة الخسارة الثلاثية (Triplet loss) لتنظيم فضاء التضمينات وتحسين التمييز بين الصور الحقيقية والمزيفة.

المتطلبات

pip install -r requirements.txt

تنزيل أوزان النموذج

لاستخدام النموذج، قم بتنزيل الوزن واحفظه في مجلد weights.

التنزيل التلقائي (عبر سطر الأوامر)

شغّل الأمر التالي في الطرفية (Terminal):

mkdir -p weights && wget -O weights/deeclip_weight_complete_with_lora_5.pth "https://www.dropbox.com/scl/fi/ttiqnbxu8atz4on5gqvgd/deeclip_weight_complete_with_lora_5.pth?rlkey=6xznuvriabkqfdcofhi1pbihu&st=fk02k7hf&dl=1"

أحدث أساليب الكشف (SOTA)

• C2P-CLIP
• RINE
• FatFormer
• AntifakePrompt
• Bi-LORA

التقييم

لتشغيل الاختبار على مجموعة بيانات محددة، استخدم الأمر التالي:

python testing.py

مخطط T-SNE لتوزيع الميزات

أداء التعميم للأساليب المُدرَّبة على ProGAN

تعرض النتائج دقة القياس (%) على مجموعات فرعية من البيانات الحقيقية والاصطناعية.

📖 الاستشهاد

إذا استخدمت عملنا، فيُرجى الاستشهاد بورقتنا البحثية

@misc{keita2025deecliprobustgeneralizabletransformerbased,
      title={DeeCLIP: A Robust and Generalizable Transformer-Based Framework for Detecting AI-Generated Images}, 
      author={Mamadou Keita and Wassim Hamidouche and Hessen Bougueffa Eutamene and Abdelmalik Taleb-Ahmed and Abdenour Hadid},
      year={2025},
      eprint={2504.19876},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2504.19876}, 
}