Per contrastare metodi sofisticati di alterazione di foto e video, i ricercatori della NYU Tandon School of Engineering hanno dimostrato una tecnica sperimentale per autenticare le immagini lungo l'intera pipeline, dall'acquisto alla consegna, utilizzando l'intelligenza artificiale (AI).

Nei test, questo prototipo di pipeline di imaging ha aumentato le possibilità di rilevare la manipolazione da circa il 45 percento a oltre il 90 percento senza sacrificare la qualità dell'immagine.

Determinare se una foto o un video è autentico sta diventando sempre più problematico. Le tecniche sofisticate per alterare foto e video sono diventate così accessibili che i cosiddetti "deep fakes" - foto o video manipolati che sono notevolmente convincenti e spesso includono celebrità o personaggi politici - sono diventati all'ordine del giorno.

Pawel Korus, un professore assistente di ricerca presso il Dipartimento di informatica e ingegneria della NYU Tandon, ha aperto la strada a questo approccio. Sostituisce la tipica pipeline di sviluppo fotografico con una rete neurale, una forma di intelligenza artificiale, che introduce artefatti accuratamente realizzati direttamente nell'immagine al momento dell'acquisizione dell'immagine. Questi manufatti, simile a "filigrane digitali, "sono estremamente sensibili alla manipolazione.

"A differenza delle tecniche di filigrana utilizzate in precedenza, questi artefatti appresi dall'intelligenza artificiale possono rivelare non solo l'esistenza di manipolazioni fotografiche, ma anche il loro carattere, " disse Corus.

Il processo è ottimizzato per l'incorporamento nella fotocamera e può sopravvivere alla distorsione dell'immagine applicata dai servizi di condivisione di foto online.

I vantaggi dell'integrazione di tali sistemi nelle telecamere sono evidenti.

"Se la fotocamera stessa produce un'immagine più sensibile alla manomissione, eventuali aggiustamenti saranno rilevati con alta probabilità, " disse Nasir Memon, professore di informatica e ingegneria alla NYU Tandon e coautore, con Corus, di un documento che dettaglia la tecnica. "Queste filigrane possono sopravvivere alla post-elaborazione; tuttavia, sono piuttosto fragili quando si tratta di modifiche:se si altera l'immagine, la filigrana si rompe, " disse Memone.

La maggior parte degli altri tentativi di determinare l'autenticità dell'immagine esamina solo il prodotto finale, un'impresa notoriamente difficile.

Corus e Memon, al contrario, motivato che l'imaging digitale moderno si basa già sull'apprendimento automatico. Ogni foto scattata su uno smartphone subisce un'elaborazione quasi istantanea per adattarsi alla scarsa illuminazione e stabilizzare le immagini, entrambi avvengono per gentile concessione dell'IA di bordo. Negli anni a venire, È probabile che i processi basati sull'intelligenza artificiale sostituiscano completamente le tradizionali pipeline di imaging digitale. Quando avviene questo passaggio, Memon ha affermato che "abbiamo l'opportunità di cambiare drasticamente le capacità dei dispositivi di nuova generazione quando si tratta di integrità e autenticazione dell'immagine. Le pipeline di imaging ottimizzate per la medicina legale potrebbero aiutare a ripristinare un elemento di fiducia in aree in cui il confine tra reale e falso può essere difficile da disegnare con fiducia."

Korus e Memon notano che mentre il loro approccio mostra risultati promettenti nei test, è necessario ulteriore lavoro per perfezionare il sistema. Questa soluzione è open source ed è possibile accedervi su github.com/pkorus/neural-imaging.

I ricercatori presenteranno il loro paper, "Autenticazione del contenuto per pipeline di imaging neurale:ottimizzazione end-to-end della provenienza delle foto in canali di distribuzione complessi, " alla conferenza sulla visione artificiale e il riconoscimento dei modelli a Long Beach, California, nel mese di giugno.