Kétlépcsős módszerrel javítja a képhamisítás-detektálást az új ComRAM rendszer
A digitális képhamisítások elleni küzdelemben egy új, transzfertanuláson alapuló rendszer ígér áttörést, amely a tömörítési különbségeket is figyelembe veszi a manipulációk észlelésénél.
Egy új, transzfertanuláson alapuló módszerrel detektálják a digitális képhamisításokat, amely a mély konvolúciós neurális hálózatokat (CNN) kombinálja a tömörítés-érzékeny jellemzőkkel — írja az ArXiv CV-n megjelent tanulmány.
A kutatók szerint a fejlett képszerkesztő eszközök elterjedése miatt egyre több manipulált digitális tartalom jelenik meg, ami komoly kihívást jelent a digitális kriminalisztika és az információbiztonság számára. Az új megközelítés hibrid bemeneti reprezentációt használ, amely a RGB képeket a tömörítési különbségeken alapuló jellemzőkkel (FDIFF) ötvözi.
A képhamisítás-detektálás új távlatokba helyezi a kutatást
A rendszer emellett egy modellspecifikus adaptív küszöboptimalizálási stratégiát is alkalmaz, amely a Youden Indexen alapul. Ez a stratégia a valódi pozitív és hamis pozitív arányok közötti jobb egyensúly elérésével javítja a besorolás megbízhatóságát.
A ComRAM rendszer hatékonyságának kulcsa
A CASIA v2.0 adathalmazon végzett kísérletek több előre betanított CNN architektúrával is megerősítették a módszer hatékonyságát. A ComRAM rendszer a DeepForgeryNet és a Deepfake Detection rendszerekhez hasonlóan a CNN-alapú megközelítések kulcsfontosságúak lesznek a digitális média hitelességének biztosításában, 2024-ben várható a további fejlesztés.