← CLR की यात्रा

फ़्यूज़न और सीमा: v1.9

मैंने वार्प की बुनियाद के संरचनात्मक अंधे बिंदु का निदान कैसे किया और उसे कैसे तोड़ा, मेरी मूल रिसर्च नोटबुक से चुना गया।

इवेडर

वार्प रेज़िड्यूअल फ़ोटोग्राफ़िक कैप्चर की भौतिकी पढ़ता है। तो उन A.I. इमेज का क्या होता है जो कभी फ़ोटो होने का दिखावा कर ही नहीं रही थीं? bahamut.jpg, जनरेट की गई एक कॉन्सेप्ट आर्ट, ने मुझे जवाब दिया: वार्प मॉडल ने उसे असली बताया। ग़ैर-फ़ोटोग्राफ़िक A.I. आर्ट में नाज़ुक होने के लिए कोई फ़ोटो-PRNU होता ही नहीं; उसका रेज़िड्यूअल “यहाँ कोई सेंसर नहीं” जैसा दिखता है, जिसे फ़ोटो पर प्रशिक्षित मॉडल बेज़रर मान लेता है।

मेरी निदान वाली आकृति: असली फ़ोटो (नीले) रेज़िड्यूअल ऊर्जा पर साफ़ अलग होती हैं, पर इवेडर (नारंगी: bahamut, gita1, टेस्ट सेट की आर्ट) कम क्रॉस-कोरिलेशन और कम रेज़िड्यूअल फैलाव, दोनों पर एक साथ झुंड बनाते हैं। एक सरल रेज़िड्यूअल-ऊर्जा गेट “यह प्रोब लागू होता है” को “यह प्रोब अंधा है” से अलग कर देता है।

मैंने पहले बंद गली आज़माई, और उसे ईमानदारी से मापा: वार्प में एक दर्जन से ज़्यादा हाथ से बनाए निम्न-स्तरीय वैश्विक फ़ीचर जोड़ने पर इमेज AUC 0.751 से सिर्फ़ 0.754 (+0.003) हुआ। निम्न स्तर पर असली पेंटिंग और A.I. पेंटिंग में फ़र्क़ करना असंभव है; अंतर अर्थ-संबंधी है। इस आधार पर कितनी भी फ़ीचर इंजीनियरिंग आर्ट की खाई नहीं भर सकती थी।

फ़्यूज़न स्टैक

v1.9 में मैंने वार्प को बुनियाद बनाए रखा और दो पूरक, व्यावसायिक रूप से साफ़ सिग्नल को एक छोटे XGBoost हेड से फ़्यूज़ किया:

  • DINOv2-small (जमा हुआ एम्बेडिंग, Apache-2.0): वह सिमैंटिक चैनल जो देखता है कि यह किस तरह की इमेज है।
  • कैप्चर सिग्नेचर (एक सघन, बिना सीखे वाला फ़ीचर परिवार, पूरी तरह मौलिक): जनरेटर-अज्ञेय कैमरा संकेत। असली सेंसर का कलर-फ़िल्टर-ऐरे डीमोज़ैसिंग फ़्रीक्वेंसी डोमेन में एक आवर्ती हस्ताक्षर छोड़ता है जिसे कोई जनरेटर दोहरा नहीं पाता। सिर्फ़ नेटिव रेज़ोल्यूशन पर; डाउनसैंपलिंग इसे नष्ट कर देती है। साफ़ ढंग से मापने पर, यह मूलतः एक ही माप पर असली-बनाम-A.I. को 0.97 पर अलग करता है।

होल्ड-आउट, आर्ट-समृद्ध डेटा पर विघटन:

चरणइमेज AUCΔ
वार्प, प्रति-टाइल0.606—
सिर्फ़ वार्प, प्रति-इमेज0.726एग्रीगेशन
+ DINOv20.871+0.145
+ कैप्चर सिग्नेचर0.897+0.026

A.I.-आर्ट की पहचान 35% → 92% हो गई; bahamut → 0.99 जनरेटेड। इस स्टैक में वार्प अवशेष नहीं है: वह फ़ोटो-बनाम-A.I.-फ़ोटो के वे मामले पकड़ता है जो DINOv2 से छूट जाते हैं और हेड को लंगर देता है। एक स्क्रीनशॉट गेट (बिना सीखे वाला फ़्लैट-पिक्सल हेयुरिस्टिक) ने बचा हुआ संरचनात्मक डोमेन बंद किया: स्क्रीनशॉट असली होता है पर कैमरा कैप्चर नहीं, और कैमरा-केंद्रित स्टैक वरना उस पर ग़लत अलार्म देता।

नीचे की डेटासेट यात्रा

ऊपर की कोई भी चीज़ उस डेटा के बिना मापी नहीं जा सकती थी जो साथ-साथ विकसित हुआ, इसलिए मैंने कॉर्पस को चार बार दोबारा बनाया:

  1. लोकल/सिंथेटिक (v1): कैमरा फ़ोटो बनाम FLUX.1-schnell। रेज़िड्यूअल का विचार साबित करने के लिए काफ़ी।
  2. कॉर्पस का विस्तार: सार्वजनिक और स्क्रेप किए पूल, जिनमें नेटिव-रेज़ोल्यूशन वाले फ़ोन हार्ड-नेगेटिव और स्क्रीनशॉट शामिल हैं। इसी से मेरी असली विफलता के तरीक़े सामने आए।
  3. विफलता-सचेत रीट्रेन सेट: हर वर्ग में हज़ारों, जानबूझकर उस हर चीज़ से समृद्ध जिस पर मेरा तब का मॉडल ग़लत था। प्रति-पूल निदान ने केंद्रीय संख्या उजागर की: A.I.-आर्ट पूल पर 28% सटीकता, यानी A.I. आर्ट को असली कहा गया, अंधा बिंदु मात्रात्मक रूप में।
  4. आर्ट कॉर्पस: मानव-कला-बनाम-A.I.-कला, एक अकेले शैली-मिलान वाले CC0 स्रोत के इर्द-गिर्द बना ताकि मॉडल शैली-बनाम-युग नहीं बल्कि असली-बनाम-A.I. सीखे, साथ में असली तरफ़ WikiArt। प्रोवेनेंस के हिसाब से चुना हुआ और व्यावसायिक रूप से सुरक्षित।

टिकाऊ मेटा-खोज: बेस डेटासेट का आकार एक जगह जाकर थम जाता है; संरचना और कैलिब्रेशन हावी रहते हैं। सिर्फ़-स्केल वाली एब्लेशन ने दिखाया कि कई गुना बड़ा बेस कुछ नहीं दे रहा था: v1.8 के बाद हर असली बढ़त इस बात से आई कि डेटा में क्या था, कितना था इससे नहीं। (मेरी शुरुआती सहज बुद्धि, “डेटासेट हमेशा मिले-जुले होने चाहिए, पर श्रेणी की ओर भारी झुके हुए”, तब से हर रीट्रेन का संचालक सिद्धांत निकली।)

0.89–0.90 होल्ड-आउट AUC पर फ़्यूज़न स्टैक शिप करने लायक़ व्यावसायिक डिटेक्टर बन गया। उसने चुपचाप एक ऐसी धारणा भी ढोई जिसे मैंने कभी परखा नहीं था: कि उसका सामान्यीकरण भौतिकी से आता है, कवरेज से नहीं। अगला अध्याय वह प्रयोग है जहाँ मैंने इस धारणा को अनदेखे 2025 जनरेटरों पर परखा, और वह जवाब जिसने मेरी पूरी रोडमैप को नए सिरे से सजा दिया।