Riconoscere i falsi profondi in digitale
Le immagini generate al computer stanno diventando sempre più realistiche al punto che gli spettatori potrebbero, con uno sguardo casuale, presumere che un’immagine sia un’immagine naturale e reale piuttosto che CGI, e ora anche al punto che i falsi profondi sono credibili come immagini naturali per tutti ma lo sguardo e l’esame più intensi.
Lavoro descritto nel Giornale internazionale dei sistemi di comunicazione autonomi e adattivi, mostra come un metodo forense basato su una rete neurale convoluzionale (CNN) potrebbe essere utilizzato per automatizzare la distinzione tra immagini naturali e CGI. Min Long e Sai Long della School of Computer and Communication Engineering presso l’Università di Scienza e Tecnologia di Changsha, e Fei Peng e Xiao-hua Hu della School of Computer Science and Electronic Engineering presso l’Università di Hunan, in Hunan, Cina, hanno costruito un nuovo modello di rete messo a punto utilizzando un database di 10000 immagini.
La dimostrazione di principio mostra esattamente quanto bene questo sistema sia in grado di distinguere tra immagini naturali e artificiali. Funziona anche con le immagini JPEG, che notoriamente spesso possono soffrire di artefatti da compressione, essere ridimensionate, avere alti livelli di rumore visivo e gli effetti delle operazioni di post-elaborazione che ne abbassano la qualità e sfocano i confini tra CGI e una fotografia digitale.
La capacità di distinguere tra CGI e immagini naturali ha importanti implicazioni per la cronaca, la politica e il lavoro forense, che sono sempre più abituati a soccombere a immagini false, falsificate e fraudolente. L’approccio del team si basa sulla rete neurale a convoluzione profonda Inception-v3 e sull’apprendimento del trasferimento. Utilizza 2048 dimensioni delle caratteristiche nelle immagini, che vengono estratte dalla rete per la classificazione per consentire al computer di prendere una decisione sulla veridicità di un’immagine. Nella configurazione attuale, questa precisione raggiunge il 98% per alcuni tipi di immagine. Il prossimo passo sarà migliorare ulteriormente le prestazioni ed eseguire test sperimentali su larga scala sulla sua accuratezza.
