Falsificación digital profunda distintiva

Las imágenes generadas por computadora se están volviendo cada vez más realistas que los espectadores pueden, con una mirada casual, asumir que la imagen es una imagen natural, real y no CGI, y ahora incluso hasta el punto en que las falsificaciones profundas son creíbles como imágenes naturales para todos menos para el mirada y estudio más intensos.

El trabajo descrito en Revista internacional de sistemas de comunicaciones autónomos y adaptablesmuestra cómo el método forense basado en archivos red neuronal convolucional (CNN) se puede utilizar para automatizar la distinción entre imagenes naturales y CGI. Min Long y Sai Long de la Escuela de Ingeniería Informática y Comunicaciones de la Universidad de Ciencia y Tecnología de Changsha, y Fei Peng y Xiao-hua Hu de la Escuela de Ciencias de la Computación e Ingeniería Electrónica de la Universidad de Hunan en Hunan, China, construyeron un nuevo modelo de red refinado usando una base de datos de 10,000 pinturas.

La prueba de principio muestra exactamente qué tan bien este sistema puede distinguir entre imágenes naturales y artificiales. Incluso funciona con imágenes JPEG, que sufren notoriamente artefactos de compresión, están escaladas, tienen un alto ruido visual y efectos de posprocesamiento que degradan su calidad y difuminan las líneas entre CGI y la fotografía digital.

La capacidad de distinguir entre imágenes generadas por computadora y naturales tiene importantes implicaciones para el trabajo periodístico, político y forense, todos los cuales sucumben cada vez más a imágenes falsas, falsificadas y engañosas. El enfoque del equipo se basa en la red neuronal de convolución profunda Inception-v3 y el aprendizaje por transferencia. Utiliza características de imagen de 2048 dimensiones que se extraen a través de la red para su clasificación y permitir que la computadora tome una decisión sobre la veracidad de la imagen. En la configuración actual, esto es hasta un 98 por ciento de precisión para algunos tipos de imágenes. El siguiente paso será mejorar aún más el rendimiento y realizar pruebas de precisión experimentales a gran escala.