使用AI学习的工件来捕获数字假货

我们看到了照片伪造的富有想象力的壮举; 现在我们必须弄清楚如何处理它们。能够从真实中讲出假货是目标，但如何到达那里?取证是寻找假照片的关键工具，并且在使该工具表现良好方面似乎并不容易。

“关于检测被操纵的照片或'深度伪造'的最困难的事情之一是数字照片文件没有被编码为防篡改，” 连线的 Lily Hay Newman说。

那么专家取得了什么成果呢?法医分析师想出了如何发现一些数字特征来检测插手，“但这些指标并不总能描绘出可靠的画面，”她说。

甚至这些线索也可能无济于事，因为“许多常见类型的'后期处理'，例如用于在线上传和分享照片的文件压缩，无论如何都要删掉这些线索。”

但坚持下去。纽约大学Tandon工程学院的一对研究人员对摄像机本身进行了一次what防篡改密封。

他们讨论这个想法的论文取决于arXiv，它的标题是“神经成像管道 - 法医学的祸害还是希望?” 作者是Pawel Korus和Nasir Memon。

“我们证明可以训练神经网络来取代整个照片开发流程，并联合优化高保真照片渲染和可靠的物源分析。这种优化的神经成像管道使我们能够将图像操作检测精度提高大约45%网络学会引入精心制作的工件，类似于数字水印，这有助于后续的操作检测。性能权衡的分析表明，只需很小的失真就可以获得大部分增益。“

Wired解释了作者提出的建议：训练神经网络为摄像机内部的照片开发过程提供动力。纽曼写道：“传感器正在解释光线照射镜头并将其转换为高质量图像，神经网络也经过训练，可以用不可磨灭的指示标记文件，以后可以通过法证分析师检查。”

她引用研究员Nasir Memon评论以这种方式检查假货。他说“你必须靠近拍摄图像的来源。”

他进一步表示，在这项工作中，“我们正在创建一个法医学友好的图像，这将允许比典型图像更好的取证分析。这是一种积极的方法，而不仅仅是为他们的视觉质量创建图像，然后希望取证技术工作事后。“

Gizmodo的 Melanie Ehrenkranz 也阐明了研究人员正在努力实现的目标，在取证方面取得成功，使用机器学习进行取证，并将检测方法直接融入相机。

Ehrencranz：“他们详细介绍了一种神经网络取代照片开发过程的方法，以便拍摄的原始图像用数字水印标记，以指示照片在数字取证分析中的出处。换句话说，该过程识别出照片起源以及是否自其原始状态以来一直被操纵。“

纽约大学Tandon工程学院的新闻稿对这些研究人员取得的成就进行了特别好的总结。他们的方法“用神经网络取代了典型的照片开发流程 - 一种形式的AI - 在图像采集时将精心制作的伪像直接引入图像。这些伪像，类似于'数字水印'，对操作非常敏感“。

“与以前使用的水印技术不同，这些人工智能学习的文物不仅可以揭示照片操作的存在，还可以揭示它们的特征，”Korus说。

该过程针对相机嵌入进行了优化，可以承受在线照片共享服务所应用的图像失真。

讨论一直是关于照片的取证水印。视频怎么样?有线说视频是研究人员说他们还没有提出的，但理论上它是可行的。

“我们认为必须考虑采用神经成像处理器的摄像机和多媒体传播渠道的安全导向设计的新机遇。”

实际上，他们的神经成像工具箱可以在GitHub上找到。它被描述为“用于优化用于照片操纵检测的神经成像管道的Python工具箱”。

纽约大学Tandon的发布表明，在未来几年，“人工智能驱动的流程很可能完全取代传统的数字成像流水线。” Memon表示，随着这种转变的发生，'我们有机会在图像完整性和身份验证方面大幅改变下一代设备的功能。针对取证进行优化的成像管道可以帮助恢复在真实和虚假之间的界限难以自信地绘制的区域中的信任因素。'“

标签： AI学习