• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  • Clouer les contrefaçons numériques avec des artefacts appris par l'IA

    Optimisation du canal d'acquisition et de diffusion des images pour faciliter l'analyse de provenance des photos. Le pipeline d'imagerie neuronale (NIP) est formé pour développer des images qui ressemblent à la fois aux images cibles souhaitées, mais conservent également des indices médico-légaux significatifs à la fin de canaux de distribution complexes. Crédit :arXiv : 1902.10707 [cs.CV] https://arxiv.org/abs/1902.10707

    Nous voyons les exploits imaginatifs du faux photo; maintenant nous devons trouver quoi faire à leur sujet. Être capable de distinguer le faux du vrai est le but, mais comment y arriver ? La médecine légale est l'outil clé pour traquer les fausses photos et cela ne semble pas être une tâche facile pour que cet outil fonctionne bien.

    "L'une des choses les plus difficiles concernant la détection de photos manipulées, ou 'deepfakes, ' est que les fichiers photo numériques ne sont pas codés pour être inviolables, " a déclaré Lily Hay Newman dans Filaire .

    Qu'ont réalisé les experts, alors? Les analystes médico-légaux ont découvert comment repérer certaines caractéristiques numériques pour détecter l'ingérence, "mais ces indicateurs ne donnent pas toujours une image fiable, " elle a dit.

    Et même ces indices peuvent ne pas aider, comme "de nombreux types courants de" post-traitement, ' comme la compression de fichiers pour le téléchargement et le partage de photos en ligne, supprimez ces indices de toute façon."

    Mais tiens bon. Une paire de chercheurs de la Tandon School of Engineering de l'Université de New York avait un sceau inviolable de la caméra elle-même.

    Leur article discutant de cette idée est sur arXiv, et il s'intitule, « Pipelines d'imagerie neuronale – le fléau ou l'espoir de la médecine légale ? » Les auteurs sont Pawel Korus et Nasir Memon.

    « Nous démontrons qu'un réseau de neurones peut être formé pour remplacer l'ensemble du pipeline de développement de photos, et optimisées conjointement pour un rendu photo haute fidélité et une analyse de provenance fiable. Un tel pipeline d'imagerie neuronale optimisé nous a permis d'augmenter la précision de détection de manipulation d'image d'env. 45 % à plus de 90 %. Le réseau apprend à introduire des objets fabriqués avec soin, semblable à des filigranes numériques, qui facilitent la détection ultérieure des manipulations. L'analyse des compromis de performance indique que la plupart des gains peuvent être obtenus avec seulement une distorsion mineure."

    Filaire a expliqué ce que les auteurs proposaient :la formation d'un réseau de neurones pour alimenter le processus de développement de photos qui se déroule à l'intérieur des caméras. "Les capteurs interprètent la lumière frappant l'objectif et la transforment en une image de haute qualité, le réseau de neurones est également entraîné à marquer le fichier avec des indicateurs indélébiles qui peuvent être vérifiés ultérieurement, si besoin, par des analystes médico-légaux, " a écrit Newman.

    Elle a cité le chercheur Nasir Memon commentant la vérification des contrefaçons de cette manière. Il a dit que "vous devez vous approcher de la source où l'image est capturée".

    Il a ajouté que dans ce travail « nous créons une image qui est favorable à la médecine légale, qui permettra une meilleure analyse médico-légale qu'une image typique. C'est une approche proactive plutôt que de simplement créer des images pour leur qualité visuelle, puis d'espérer que les techniques médico-légales fonctionnent après coup. »

    Mélanie Ehrenkranz dans Gizmodo a également clarifié ce que les chercheurs essayaient d'accomplir, pour réussir en criminalistique en utilisant l'apprentissage automatique à des fins médico-légales, et intégrer une méthode de détection directement dans la caméra.

    Ehrencranz : « Ils détaillent une méthode dans laquelle un réseau de neurones remplace le processus de développement de la photo afin que l'image originale prise soit marquée avec quelque chose comme un filigrane numérique pour indiquer la provenance de la photo dans une analyse médico-légale numérique. En d'autres termes, le processus identifie l'origine d'une photo et si elle a été manipulée depuis son état d'origine."

    Le communiqué de presse de la NYU Tandon School of Engineering présentait un résumé particulièrement bon de ce que ces chercheurs ont réalisé. Leur approche "remplace le pipeline de développement photo typique par un réseau de neurones - une forme d'IA - qui introduit des artefacts soigneusement conçus directement dans l'image au moment de l'acquisition de l'image. Ces artefacts, semblable à des « filigranes numériques, ' sont extrêmement sensibles à la manipulation."

    "Contrairement aux techniques de filigrane précédemment utilisées, ces artefacts appris par l'IA peuvent révéler non seulement l'existence de manipulations de photos, mais aussi leur caractère, " dit Korus.

    Le processus est optimisé pour l'intégration dans l'appareil photo et peut survivre à la distorsion d'image appliquée par les services de partage de photos en ligne.

    La discussion a porté sur le filigrane médico-légal sur les photos. Et la vidéo ? Filaire a déclaré que la vidéo était quelque chose que les chercheurs ont dit qu'ils n'avaient pas encore abordé, mais que ce serait théoriquement possible.

    « Nous pensons qu'il est impératif d'envisager de nouvelles opportunités de conception de caméras et de canaux de diffusion multimédia axées sur la sécurité qui accompagnent l'adoption de processeurs d'imagerie neuronale.

    Réellement, leur boîte à outils d'imagerie neuronale est disponible sur GitHub. Il est décrit comme une « boîte à outils Python pour l'optimisation des pipelines d'imagerie neuronale pour la détection de la manipulation de photos ».

    La sortie de NYU Tandon a fait remarquer que dans les années à venir, "Les processus basés sur l'IA sont susceptibles de remplacer complètement les pipelines d'imagerie numérique traditionnels." Memon a dit qu'au fur et à mesure que cette transition a lieu, « nous avons la possibilité de changer radicalement les capacités des appareils de nouvelle génération en matière d'intégrité et d'authentification des images. Des pipelines d'imagerie optimisés pour la criminalistique pourraient aider à restaurer un élément de confiance dans des domaines où la frontière entre le vrai et le faux peut être difficile à tracer avec confiance.'"

    © 2019 Réseau Science X




    © Science https://fr.scienceaq.com