Аналіз Фальсифікованого Зображення: Фізично-Орієнтований Підхід до Виявлення Дипфейків

Часові невідповідності та аналіз руху

Створення дипфейків часто ґрунтується на інтерполяції кадрів, де алгоритми штучного інтелекту намагаються генерувати проміжні кадри між існуючими. Цей процес може вносити тонкі часові невідповідності, які можна виявити за допомогою ретельного аналізу руху. Ці невідповідності проявляються як незвичні або ривкові рухи, особливо у суб’єктів з швидко змінюючимися виразами обличчя.

Аналіз швидкості та прискорення ключових ознак – таких як куточки очей, рота чи брів – забезпечує кількісний показник цих часових артефактів. Фундаментальний принцип тут полягає в тому, що реальні рухи відповідають фізичним законам, що регулюють інерцію та прискорення. Відхилення від очікуваних закономірностей у даних руху є ознакою маніпуляції.

a = dv/dt  (Acceleration = Rate of Change of Velocity)

Спекулярні відбиття та аномалії освітлення

Генерація дипфейків часто не може точно відтворювати складні умови освітлення та спекулярні відбиття. Фізика, що регулює відбиття – зокрема, закон відбиття (кут падіння дорівнює куту відбиття) – передбачає, що світлові промені відбиваються від поверхонь під постійним кутом. Незначні розбіжності в цих відбиттях можуть викрити штучну маніпуляцію.

Аналіз спрямованості та інтенсивності спекулярних блисків є критично важливим. У справжніх зображеннях форма та положення цих блисків безпосередньо визначаються геометрією сцени та джерелом освітлення. Дипфейки можуть демонструвати зміщені або невідповідні закономірності блисків, особливо навколо відблисків, таких як окуляри чи блискуче волосся.

r = i  (Reflection Angle = Incidence Angle)

Аналіз мікровиразів та динаміка м’язів обличчя

Реальні людські вирази регулюються складними, точно скоординованими рухами м’язів. Алгоритми deepfake часто спрощують або нереалістично відтворюють ці рухи. Мікровирази – короткочасні, неохотні мімічні вирази обличчя, які розкривають приховані емоції – надають цінних даних для виявлення.

Аналізуючи час і тривалість мікровиразів, а також їхню узгодженість із загальним контекстом сцени, криміналістичні експерти можуть виявляти невідповідності. Фізика скорочення та розслаблення м’язів визначає специфічні закономірності руху; відхилення від цих закономірностей викликають підозру.

F = ma (Force = Mass * Acceleration)

Аналіз Частотного Області та Фур'єрові Перетворення Зображень

Частотний вміст зображення визначається його просторовими деталями. Дефайки, через процеси інтерполяції та реконструкції, що використовуються під час їх створення, часто демонструють змінені спектральні характеристики порівняно з оригінальними зображеннями. Застосування Фур'євого перетворення до зображення розкладає його на складові частоти.

Аналіз амплітудної спектру виявляє піки та низи, які можуть бути ознакою маніпуляцій. Штучне згладжування або підсилення, що вносяться під час генерації дефайків, проявляються як чіткі частотні артефакти.

FFT (Discrete Fourier Transform) – A mathematical process converting a signal from time domain to frequency domain.

Аналіз Метаданих та Відстеження Проводенції

Хоча це не є фізичним методом, аналіз метаданих зображень є важливим компонентом виявлення дипфейків. Метадані включають інформацію про камеру, яка використовувалася для зйомки зображення, дату та час зйомки, а також будь-яку пов’язану географічну інформацію.

Розбіжності між заявленим походженням зображення та його метаданими можуть бути сильними показниками маніпуляції. Крім того, надійні системи відстеження проведення – розроблені для запису ланцюга відповідальності за цифрові активи – є критично важливими для підтвердження автентичності.

Аналіз шуму та співвідношення сигнал/шум

Реальні зображення містять природний шум – випадкові коливання значень пікселів. Співвідношення сигнал/шум (СШ) відображає силу бажаної інформації зображення відносно фонового шуму. Алгоритми створення дипфейків часто вводять штучні закономірності або згладжування, що впливає на СШ.

Вимірювання розподілу шуму та ідентифікація статистично аномальних патернів може виявити підроблені зображення. Різниця в характеристиках шуму в різних областях зображення може свідчити про області, де було здійснено маніпулювання.

SNR = Signal Power / Noise Power

Часті запитання

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Advanced Cryptography Simulator і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.