AI امیج ڈیٹیکشن دراصل کیسے کام کرتی ہے

ماڈل کیا دیکھ رہا ہے

کیمرہ لینس کے ذریعے روشنی کو ایک سینسر پر ریکارڈ کرتا ہے۔ یہ عمل شور (noise) کی ایک مخصوص قسم، کناروں کی طرف دھندلاہٹ کا ایک خاص پیٹرن، اور ملحقہ پکسلز کے درمیان ایک خاص تعلق چھوڑتا ہے جو سینسر گرڈ اور اس کے بعد ہونے والی ڈیموسائکنگ (demosaicing) سے آتا ہے۔

ایک ڈفیوژن ماڈل بار بار شور کو ہٹا کر ایک تصویر بناتا ہے یہاں تک کہ کچھ واضح شکل سامنے آ جائے۔ یہ عمل بھی ایک دستخط چھوڑتا ہے، اور یہ مختلف ہوتا ہے۔ نتیجہ بصری طور پر بہترین ہو سکتا ہے اور شماریاتی طور پر اسی وقت قابل شناخت بھی۔

اسی لیے ڈیٹیکشن اسکرین شاٹ کے باوجود کام کرتی ہے، حالانکہ میٹا ڈیٹا ایسا نہیں کرتا۔ یہ دستخط ہیڈر کے بجائے خود پکسل ویلیوز میں موجود ہوتا ہے، لہذا پکسلز کو کاپی کرنے سے ثبوت بھی کاپی ہو جاتا ہے۔

چار مراحل

پہلا مرحلہ: ڈیکوڈنگ

فائل کو پیج کے ذریعے ڈسک سے پڑھا جاتا ہے اور خام پکسلز میں ڈیکوڈ کیا جاتا ہے۔ HEIC، AVIF، TIFF اور دیگر کو براؤزر کے اپنے ڈیکوڈر ہینڈل کرتے ہیں۔ کچھ بھی منتقل نہیں کیا جاتا، جو کہ کام کے مقام کی ایک خاصیت ہے، نہ کہ سرور پر لاگو ہونے والی کوئی پالیسی۔

دوسرا مرحلہ: پورے فریم کا اسکور

تصویر کو 384 پکسل اسکوائر تک ری سائز کیا جاتا ہے اور ویژن ٹرانسفارمر سے گزارا جاتا ہے۔ ماڈل ایک خام امکان (probability) واپس کرتا ہے کہ فریم مصنوعی ہے۔ اس نمبر کو پھر کیلیبریٹ کیا جاتا ہے تاکہ یہ شائع شدہ بینڈز پر مستقل طور پر میپ ہو سکے، بجائے اس کے کہ ماڈل کے ساتھ بدلتا رہے۔

ری سائزنگ تفصیلات کو ضائع کر دیتی ہے، جو درستگی کے کم ہونے کی پہلی وجہ ہے۔ یہ ناگزیر بھی ہے: ماڈل کا ان پٹ سائز فکس ہوتا ہے، اور 4000 پکسل کی تصویر کو اس میں فٹ کرنے کے لیے چھوٹا کرنا پڑتا ہے۔

تیسرا مرحلہ: ٹائلنگ پاس

فریم کو اوورلیپنگ حصوں میں تقسیم کیا جاتا ہے اور ہر حصے کو اسی ماڈل کے ذریعے الگ سے اسکور کیا جاتا ہے۔ یہی وہ چیز ہے جو مکمل طور پر جنریٹڈ تصویر کو کسی حقیقی تصویر سے الگ کرتی ہے جس میں کچھ شامل کیا گیا ہو، اور یہ وہ مرحلہ ہے جس کی جگہ ایک سنگین نمبر نہیں لے سکتا۔

ٹائلز کے بامعنی ہونے کے لیے کافی پکسلز کی ضرورت ہوتی ہے، اسی لیے 576 پکسل سے چھوٹی تصاویر پر صرف پورے فریم کا اسکور ملتا ہے۔ ایک چھوٹے کراپ میں اتنی تفصیل نہیں ہوتی کہ اسے آزادانہ طور پر اسکور کیا جا سکے۔

چوتھا مرحلہ: فائل کا اپنا ریکارڈ

پکسلز سے الگ، فائل کو Content Credentials اور کچھ ٹولز کی طرف سے چھوڑے گئے جنریٹر مارکرز کے لیے چیک کیا جاتا ہے۔ یہ راستہ شماریاتی کے بجائے کریپٹوگرافک ہوتا ہے: ایک درست دستخط کو ٹرسٹ لسٹ کے خلاف چیک کیا جاتا ہے، تخمینہ نہیں لگایا جاتا۔

نتائج کو کیسے ملایا جاتا ہے

دونوں راستوں کی اوسط نہیں نکالی جاتی، کیونکہ ان کا وزن مختلف ہوتا ہے۔ کیمرے سے کیپچر ہونے کی تصدیق کرنے والی ایک درست سند، ایک معتدل پکسل اسکور سے زیادہ اہمیت رکھتی ہے۔ AI جنریشن کی تصدیق کرنے والی سند سوال کو خود ہی حل کر دیتی ہے۔

یہ آخری قطار وہ ہے جسے لوگ اکثر غلط سمجھتے ہیں۔ غیر موجود سند کوئی منفی اشارہ نہیں ہے۔ اب تک بننے والی تصاویر کی بڑی اکثریت کے پاس کوئی سند نہیں ہوتی، اور تقریباً ہر پلیٹ فارم اپ لوڈ پر انہیں ہٹا دیتا ہے۔

یہ براؤزر میں کیوں چلتا ہے

ماڈل تقریباً 40 MB کا ہے اور وزیٹر کے اپنے ڈیوائس پر WebAssembly کے ذریعے چلتا ہے۔ یہ ایک سوچی سمجھی آرکیٹیکچرل انتخاب ہے جس کے تین نتائج سمجھنا ضروری ہے۔

• کچھ بھی اپ لوڈ نہیں ہوتا، لہذا کوئی سرور کسی کی تصاویر نہیں رکھتا اور ڈیٹا پروسیسنگ کا کوئی تعلق نہیں ہے جسے دستاویز کرنے کی ضرورت ہو۔
• ایک چیک کی کوئی قیمت نہیں ہوتی، اسی لیے یہ ٹول بغیر کسی یوسیج میٹر کے مفت ہو سکتا ہے۔
• پہلا چیک سست ہوتا ہے، کیونکہ ماڈل چلنے سے پہلے ایک بار ڈاؤن لوڈ ہوتا ہے۔ بعد کے چیک کیش شدہ کاپی دوبارہ استعمال کرتے ہیں۔

پائپ لائن جان بوجھ کر کیا نہیں کرتی

پرانے فرانزک ٹولز میں نظر آنے والی کئی تکنیکیں اس میں موجود نہیں ہیں، کیونکہ وہ ان تصاویر پر کام نہیں کرتیں جو جدید پلیٹ فارمز سے گزری ہوں۔

• Error level analysis۔ مقبول، اکثر غلط سمجھی جانے والی، اور ایسی کسی بھی تصویر پر ناقابل اعتماد جو ایک سے زیادہ بار سیو کی گئی ہو۔
• Copy-move detection۔ فریم کے اندر ڈپلیکیٹ شدہ ریجنز تلاش کرتی ہے، جو پرانے طرز کی کلوننگ پکڑتی ہے نہ کہ جنریشن۔
• Metadata-based verdicts۔ EXIF تقریباً ہر جگہ اپ لوڈ پر ہٹا دیا جاتا ہے، لہذا وہ چیک جو اس پر منحصر ہو وہ ان تصاویر پر ناکام ہو جاتا ہے جن کی تصدیق لوگوں کو درکار ہوتی ہے۔
• Face-specific analysis۔ ہیرا پھیری کی ایک تنگ کلاس کے لیے مفید ہے، اور باقی ہر چیز کے لیے اندھی ہے۔