کشف تقلب‌های دیجیتالی با استفاده از هوش مصنوعی

بهینه سازی کانال استخراج و توزیع تصویر برای تسهیل تجزیه و تحلیل منشأ عکس. خط لوله تصویر برداری عصبی (NIP) برای ایجاد تصاویری که هر دو شبیه تصاویر هدف مطلوب است، آموزش داده می شود، اما همچنین در انتهای کانال های توزیع پیچیده سرنخ های قانونی معنی داری را حفظ می کند. اعتبار: arXiv: 1902.10707 [cs.CV] https://arxiv.org/abs/1902.10707
 
ما شاهکارهایی انگاری از تقلب های تصویری را می بینیم؛ اکنون باید بدانیم در مورد آنها چه کنیم. این که قادر باشیم تقلب را از واقعی تشخیص دهیم یک هدف است، اما چگونه به این هدف برسیم؟ استفاده از متدهای علمی قانونی ابزاری کلیدی برای شکار عکس های جعلی است و به نظر می رسد به دست آوردن این ابزار برای استفاده خوب از آن کار ساده ای باشد.
 
لیلی های نیومن در Wired گفت: "یکی از سخت ترین چیزها در مورد شناسایی تصاویر دستکاری شده یا عمیقاً تقلب شده این است که فایل های عکسی دیجیتالی طوری کد نخورده اند که روشن باشد دستکاری شده اند."
 
پس متخصصان چه چیزی به دست آورده اند؟ او گفت: "تحلیلگران قانونی دریافته اند که چگونه برخی از ویژگی های دیجیتال را برای آشکار سازی مداخله مشخص می کنند، اما این شاخص ها همیشه یک تصویر قابل اعتماد را نقاشی نمی کنند."
 
و حتی آن سرنخ ها ممکن است کمکی نکنند، چون که "بسیاری از انواع معمول" پس پردازش ها "، مانند فشرده سازی فایل برای آپلود و به اشتراک گذاری عکس ها به صورت آنلاین، به هر حال آن سرنخ ها را از بین می برد."
 
اما دست نگه دارید. یک جفت محقق از مدرسه مهندسی تاندون دانشگاه نیویورک، یک مهر و موم مقاوم «اگر مداخله ای شد چه» را از خودِ دوربین داشتند.
 
مقاله‌ی آنها که در مورد این ایده بحث می کند روی arXiv است، و این عنوان را دارد: "لوله کشی های تصویر گیری عصبی، تنبیه یا امید بررسی های قانونی؟" نویسندگان عبارتند از: پاول کوروس و نصیر مِمون.
 
"ما نشان می دهیم که یک شبکه عصبی را می توان پرورد تا جایگزین کل خط لوله توسعه عکس شود، و به طور مشترک برای ارائه عکس با کیفیت بالا و تجزیه و تحلیل قابل اعتماد منشأ بهینه سازی شده باشد. چنین خط لوله تصویر برداری عصبی بهینه شده ای به ما اجازه داد تا دقت تشخیص دستکاری تصویر را از حدود 45٪ به بیش از 90٪ افزایش دهیم. شبکه یاد می گیرد که مصنوعات مهارتی دقیق، مانند چاپ های سفید دیجیتالی، را معرفی کند که عمل متعاقب آشکار سازی دستکاری را تسهیل می کنند. تحلیل موازنه های اجرا نشان می دهد که بیشترین دستاورد ها تنها با تحریف های جزئی به دست می آید. "
 
Wired  آنچه را که نویسندگان پیشنهاد دادند توضیح داد: پروردن یک شبکه عصبی برای قدرت دادن به روند توسعه عکس که در داخل دوربین قرار می گیرد. نیومن نوشت: "سنسورها در حال تفسیر نور برخورد کننده به لنز و تبدیل آن به تصویری با کیفیت بالا هستند. شبکه عصبی همچنین برای علامت زدن فایل با شاخص های پاک نشدنی، که بعدا در صورت نیاز توسط تحلیلگران قانونی بررسی می شود، آموزش دیده است."
 
او از محقق نصیر ممون نقل قول کرد که در مورد چک کردن جعلی ها به این روش توضیح می داد. او گفت که "شما باید به منبع تصویر، جایی که از آن عکس گرفته شده است، نزدیک شوید."
 
او به علاوه اظهار داشت که در این کار "ما تصویری را ایجاد می کنیم که برای کارهای قانونی به راحتی قابل استفاده است، که این به تجزیه و تحلیل قانونی بهتر از یک تصویر معمولی کمک می کند. این یک رویکرد پیشدستانه است تا این که صرفاً خلق تصاویری برای کیفیت بصری آنها و سپس امیدواری به کارهای تکنیکی قانونی بعد از واقعیت باشد."
 
Melanie Ehrenkranz در مجله گیزمودو همچنین آنچه که محققان تلاش می کردند انجام دهند تا در بررسی های قانونی، با استفاده از یادگیری ماشین برای مقاصد قانونی و پخت یک روش آشکار سازی درست در داخل دوربین، موفقیت به دست آورند را روشن کرد.
 
Ehrencranz گفت: "آنها روشی را به تفصیل بیان می کنند که در آن یک شبکه عصبی جایگزین فرآیند توسعه عکس می شود به گونه ای که تصویر اصلی گرفته شده با چیزی شبیه یک چاپ سفید دیجیتال علامت می خورد تا منشأ عکس را در یک تحلیل قانونی دیجیتال نشان دهد. به عبارت دیگر، این روند یک منشأ برای عکس ها و این که آیا از حالت اولیه اش دستکاری شده یا نه شناسایی می کند."
 
انتشار خبری از مدرسه مهندسی تاندون دانشگاه نیویورک خلاصه‌ی به ویژه خوبی از آنچه که این محققان به دست آورده بودند را داشت. رویکرد آنها " لوله کشی توسعه عکس نوعی را با یک شبکه عصبی – که شکلی از هوش مصنوعی است - جایگزین می کند که مصنوعات کاملاً مهارتی را، در لحظه اکتساب عکس، مستقیماً به داخل تصویر معرفی می کند. یکی از سخت ترین چیزها در مورد شناسایی تصاویر دستکاری شده یا عمیقاً تقلب شده این است که فایل های عکسی دیجیتالی طوری کد نخورده اند که روشن باشد دستکاری شده اند. این مصنوعات، مشابه با "چاپ های سفید دیجیتالی"، بی نهایت نسبت به دستکاری حساس هستند."
 
کوروس گفت: "بر خلاف تکنیک های چاپ سفید که قبلاً استفاه می شد، این مصنوعات تعلیم دیده از هوش مصنوعی نه تنها وجود دستکاری های نوری بلکه حتی صفات ممیزه‌ی آنها را هم می توانند آشکار کنند.
 
این فرآیند برای جاسازی در دوربین بهینه شده است و می تواند از انحراف تصویر اعمال شده توسط سرویس های آنلاین به اشتراک گذاری تصویر در امان بماند.
 
بحث در مورد چاپ سفید قانونی روی عکس ها بوده است. درباره ویدئو چه؟ Wired  گفت که ویدیو چیزی بود که محققان گفتند هنوز آنها آن را باز نکرده اند، اما امکان آن از لحاظ نظری وجود دارد.
 
"ما معتقدیم لازم است که فرصت های جدیدی را برای طرح امنیتی محورِ دوربین ها و کانال های انتشار چند رسانه ای، که با پذیرش پردازنده های تصویر عصبی می آیند، در نظر بگیریم."
 
در واقع، جعبه ابزار تصویر برداری عصبی آنها در GitHub در دسترس است. این جعبه به عنوان یک "جعبه ابزار مارگیری برای بهینه سازی خطوط لوله تصویربرداری عصبی برای تشخیص دستکاری عکس" توصیف شده است.
 
منبع: نانسی کوهن، Tech Xplore