We zien de fantasierijke prestaties van fotofake; nu moeten we bedenken wat we eraan kunnen doen. Nep van echt kunnen onderscheiden is het doel, maar hoe kom je daar? Forensisch onderzoek is het belangrijkste hulpmiddel om nepfoto's op te sporen en het lijkt geen gemakkelijke taak om dat hulpmiddel goed te laten presteren.

"Een van de moeilijkste dingen aan het detecteren van gemanipuleerde foto's, of 'deepfakes', ' is dat digitale fotobestanden niet gecodeerd zijn om fraudebestendig te zijn, " zei Lily Hay Newman in Bedrade .

Wat hebben de experts bereikt, dan? Forensische analisten hebben ontdekt hoe ze enkele digitale kenmerken kunnen herkennen om inmenging te detecteren, "maar deze indicatoren geven niet altijd een betrouwbaar beeld, " ze zei.

En zelfs die aanwijzingen helpen misschien niet, als "veel voorkomende vormen van 'nabewerking, ' zoals bestandscompressie voor het online uploaden en delen van foto's, ontdoen van deze aanwijzingen toch."

Maar wacht even. Een paar onderzoekers van de Tandon School of Engineering van de New York University hadden een wat-als - een fraudebestendige verzegeling van de camera zelf.

Hun paper waarin dit idee wordt besproken, staat op arXiv, en het is getiteld, "Neural Imaging Pipelines - de plaag of hoop van forensisch onderzoek?" De auteurs zijn Pawel Korus en Nasir Memon.

"We laten zien dat een neuraal netwerk kan worden getraind om de hele pijplijn voor fotoontwikkeling te vervangen, en gezamenlijk geoptimaliseerd voor high-fidelity fotoweergave en betrouwbare herkomstanalyse. Met een dergelijke geoptimaliseerde neurale beeldvormingspijplijn konden we de nauwkeurigheid van de detectie van beeldmanipulatie verhogen van ca. 45% tot meer dan 90%. Het netwerk leert zorgvuldig vervaardigde artefacten te introduceren, vergelijkbaar met digitale watermerken, die de daaropvolgende detectie van manipulatie vergemakkelijken. Analyse van prestatieafwegingen geeft aan dat de meeste winst kan worden behaald met slechts een kleine verstoring."

Bedrade legde uit wat de auteurs voorstelden:een neuraal netwerk trainen om het foto-ontwikkelingsproces in de camera's aan te drijven. "De sensoren interpreteren het licht dat op de lens valt en veranderen het in een beeld van hoge kwaliteit. het neurale netwerk is ook getraind om het bestand te markeren met onuitwisbare indicatoren die later kunnen worden gecontroleerd, indien nodig, door forensische analisten, ’ schreef Nieuwman.

Ze citeerde onderzoeker Nasir Memon die commentaar gaf op het op deze manier controleren op vervalsingen. Hij zei dat "je dicht bij de bron moet gaan waar het beeld is vastgelegd."

Hij zei verder dat we in dit werk "een beeld creëren dat forensisch vriendelijk is, die een betere forensische analyse mogelijk maakt dan een typisch beeld. Het is een proactieve benadering in plaats van alleen afbeeldingen te maken voor hun visuele kwaliteit en vervolgens te hopen dat forensische technieken achteraf werken."

Melanie Ehrenkranz in Gizmodo verduidelijkte ook wat de onderzoekers probeerden te bereiken, om succes te behalen in forensisch onderzoek met behulp van machine learning voor forensische doeleinden, en een detectiemethode rechtstreeks in de camera bakken.

Ehrencranz:"Ze beschrijven een methode waarbij een neuraal netwerk het foto-ontwikkelingsproces vervangt, zodat de originele afbeelding wordt gemarkeerd met zoiets als een digitaal watermerk om de herkomst van de foto aan te geven in een digitale forensische analyse. Met andere woorden, het proces identificeert de oorsprong van een foto en of deze is gemanipuleerd sinds de oorspronkelijke staat."

Het persbericht van de NYU Tandon School of Engineering gaf een bijzonder goede samenvatting van wat deze onderzoekers hebben bereikt. Hun aanpak "vervangt de typische pijplijn voor fotoontwikkeling door een neuraal netwerk - een vorm van AI - dat zorgvuldig vervaardigde artefacten rechtstreeks in het beeld introduceert op het moment van beeldacquisitie. Deze artefacten, verwant aan 'digitale watermerken, ' zijn extreem gevoelig voor manipulatie."

"In tegenstelling tot eerder gebruikte watermerktechnieken, deze AI-geleerde artefacten kunnen niet alleen het bestaan ​​van fotomanipulaties onthullen, maar ook hun karakter, ' zei Korus.

Het proces is geoptimaliseerd voor inbedding in de camera en is bestand tegen beeldvervorming die wordt toegepast door online services voor het delen van foto's.

De discussie ging over forensische watermerken op foto's. Hoe zit het met video? Bedrade zei dat video iets was waarvan de onderzoekers zeiden dat ze het nog niet hadden aangesneden, maar dat het theoretisch mogelijk zou zijn.

"We zijn van mening dat het absoluut noodzakelijk is om nieuwe kansen te overwegen voor op beveiliging gericht ontwerp van camera's en multimedia-verspreidingskanalen die gepaard gaan met de adoptie van neurale beeldverwerkingsprocessors."

Werkelijk, hun toolbox voor neurale beeldvorming is beschikbaar op GitHub. Het wordt beschreven als een "Python-toolbox voor optimalisatie van neurale beeldvormingspijplijnen voor detectie van fotomanipulatie."

De NYU Tandon-release maakte duidelijk dat in de komende jaren, "AI-gestuurde processen zullen waarschijnlijk de traditionele digitale beeldverwerkingspijplijnen volledig vervangen." Memon zei dat als deze overgang plaatsvindt, 'We hebben de mogelijkheid om de mogelijkheden van apparaten van de volgende generatie drastisch te veranderen als het gaat om beeldintegriteit en authenticatie. Beeldvormingspijplijnen die zijn geoptimaliseerd voor forensisch onderzoek kunnen helpen om een ​​element van vertrouwen te herstellen in gebieden waar de grens tussen echt en nep moeilijk met vertrouwen te trekken is.'"

© 2019 Wetenschap X Netwerk