محققان دانشکده مهندسی NYU تاندون NYU برای خنثی کردن روشهای پیشرفته در تغییر عکس و فیلم ، یک روش تجربی را برای تأیید صحت تصاویر در کل خط لوله ، از کسب تا تحویل ، با استفاده از هوش مصنوعی (AI) نشان داده اند.
در آزمایشات ، این خط لوله تصویربرداری اولیه شانس تشخیص دستکاری را از تقریباً 45 درصد به بیش از 90 درصد بدون آسیب رساندن به کیفیت تصویر افزایش داده است .
تعیین اینکه آیا یک عکس یا فیلم معتبر است به طور فزاینده ای مشکل ساز می شود. تکنیک های پیشرفته برای تغییر عکس ها و فیلم ها چنان دسترسی پیدا کرده اند که به اصطلاح "جعلیات عمیق" - عکس ها یا فیلم های ضمنی کاملاً قانع کننده و اغلب مشهور یا چهره های سیاسی رایج شده اند.
پاول کوروس ، استادیار تحقیقات در گروه علوم کامپیوتر و مهندسی در NYU Tandon ، پیشگام این رویکرد بود. این خط لوله توسعه عکس معمولی را با یک شبکه عصبی ( یک شکل AI) جایگزین می کند که در مواقع کسب تصویر ، آثار با دقت ساختگی را مستقیماً در تصویر معرفی می کند. این مصنوعات ، شبیه به "علامت های دیجیتال" ، در برابر دستکاری بسیار حساس هستند.
کوروس گفت: "بر خلاف تکنیک های علامت گذاری در گذشته استفاده شده ، این مصنوعات یاد گرفته شده توسط AI می توانند نه تنها وجود دستکاری عکس بلکه شخصیت آنها را نیز آشکار سازند."
این فرایند برای جاسازی در دوربین بهینه شده است و می تواند در اعوجاج تصویر اعمال شده توسط سرویس های اشتراک عکس آنلاین زنده بماند.
مزایای ادغام چنین سیستم هایی در دوربین ها مشخص است.
نصیر ممون ، استاد علوم کامپیوتر و مهندسی کامپیوتر در NYU Tandon و همکار نویسنده با Korus ، گفت: "اگر دوربین خود تصویری تولید کند که نسبت به دستکاری حساس تر باشد ، هرگونه تنظیم با احتمال زیاد تشخیص داده می شود." جزئیات این تکنیک. Memon گفت: "این علامت های سفید می توانند پس از پردازش زنده بمانند ؛ با این حال ، هنگام اصلاح ، کاملاً شکننده هستند: اگر تصویر را تغییر دهید ، علامت آبشکن می شکند."
اکثر تلاشهای دیگر برای تعیین صحت تصویر ، تنها محصول نهایی را مورد بررسی قرار می دهد - یک کار بسیار دشوار.
در عوض ، اندازه گیری عملکرد پمپ وکیوم کوروس و ممون استدلال کردند که تصویربرداری دیجیتال مدرن در حال حاضر به یادگیری ماشین متکی است. هر عکسی که از تلفن هوشمند گرفته شده است ، برای تنظیم کم نور و تثبیت تصاویر ، در حال پردازش تقریباً لحظه ای است ، که هر دو حسن نیت ارائه می دهند از هوش مصنوعی. در سال های آینده ، فرآیندهای رانده شده توسط هوش مصنوعی احتمالاً جایگزین خطوط لوله سنتی تصویربرداری دیجیتال خواهند شد. با گذشت زمان این انتقال ، Memon گفت که "ما می توانیم وقتی از صحت تصویر و تأیید صحت تصویر استفاده کنیم ، قابلیتهای دستگاههای نسل بعدی را به طرز چشمگیری تغییر دهیم. خط بین واقعی و جعلی می تواند دشوار باشد با اعتماد به نفس ترسیم می شود. "
خاطرنشان كردند: در حالی كه رویكرد آنها نوید آزمایش را نشان می دهد ، كارهای دیگری برای اصلاح سیستم لازم است. این راه حل منبع باز است و به آدرس قابل دسترسی است .
محققان مقاله خود را با عنوان "تأیید صحت محتوا برای خطوط تصویربرداری عصبی: بهینه سازی نهایی به منظور تحقق عکس در کانال های توزیع پیچیده" ، در ماه ژوئن در کنفرانس بینایی رایانه و تشخیص الگو در لانگ بیچ ، کالیفرنیا ، ارائه می دهند.
محققان دانشکده مهندسی NYU تاندون NYU برای خنثی کردن روشهای پیشرفته در تغییر عکس و فیلم ، یک روش تجربی را برای تأیید صحت تصاویر در کل خط لوله ، از کسب تا تحویل ، با استفاده از هوش مصنوعی (AI) نشان داده اند.
در آزمایشات ، این خط لوله تصویربرداری اولیه شانس تشخیص دستکاری را از تقریباً 45 درصد به بیش از 90 درصد بدون آسیب رساندن به کیفیت تصویر افزایش داده است .
تعیین اینکه آیا یک عکس یا فیلم معتبر است به طور فزاینده ای مشکل ساز می شود. تکنیک های پیشرفته برای تغییر عکس ها و فیلم ها چنان دسترسی پیدا کرده اند که به اصطلاح "جعلیات عمیق" - عکس ها یا فیلم های ضمنی کاملاً قانع کننده و اغلب مشهور یا چهره های سیاسی رایج شده اند.
پاول کوروس ، استادیار تحقیقات در گروه علوم کامپیوتر و مهندسی در NYU Tandon ، پیشگام این رویکرد بود. این خط لوله توسعه عکس معمولی را با یک شبکه عصبی ( یک شکل AI) جایگزین می کند که در مواقع کسب تصویر ، آثار با دقت ساختگی را مستقیماً در تصویر معرفی می کند. این مصنوعات ، شبیه به "علامت های دیجیتال" ، در برابر دستکاری بسیار حساس هستند.
کوروس گفت: "بر خلاف تکنیک های علامت گذاری در گذشته استفاده شده ، این مصنوعات یاد گرفته شده توسط AI می توانند نه تنها وجود دستکاری عکس بلکه شخصیت آنها را نیز آشکار سازند."
این فرایند برای جاسازی در دوربین بهینه شده است و می تواند در اعوجاج تصویر اعمال شده توسط سرویس های اشتراک عکس آنلاین زنده بماند.
مزایای ادغام چنین سیستم هایی در دوربین ها مشخص است.
نصیر ممون ، استاد علوم کامپیوتر و مهندسی کامپیوتر در NYU Tandon و همکار نویسنده با Korus ، گفت: "اگر دوربین خود تصویری تولید کند که نسبت به دستکاری حساس تر باشد ، هرگونه تنظیم با احتمال زیاد تشخیص داده می شود." جزئیات این تکنیک. Memon گفت: "این علامت های سفید می توانند پس از پردازش زنده بمانند ؛ با این حال ، هنگام اصلاح ، کاملاً شکننده هستند: اگر تصویر را تغییر دهید ، علامت آبشکن می شکند."
اکثر تلاشهای دیگر برای تعیین صحت تصویر ، تنها محصول نهایی را مورد بررسی قرار می دهد - یک کار بسیار دشوار.
در عوض ، اندازه گیری عملکرد پمپ وکیوم کوروس و ممون استدلال کردند که تصویربرداری دیجیتال مدرن در حال حاضر به یادگیری ماشین متکی است. هر عکسی که از تلفن هوشمند گرفته شده است ، برای تنظیم کم نور و تثبیت تصاویر ، در حال پردازش تقریباً لحظه ای است ، که هر دو حسن نیت ارائه می دهند از هوش مصنوعی. در سال های آینده ، فرآیندهای رانده شده توسط هوش مصنوعی احتمالاً جایگزین خطوط لوله سنتی تصویربرداری دیجیتال خواهند شد. با گذشت زمان این انتقال ، Memon گفت که "ما می توانیم وقتی از صحت تصویر و تأیید صحت تصویر استفاده کنیم ، قابلیتهای دستگاههای نسل بعدی را به طرز چشمگیری تغییر دهیم. خط بین واقعی و جعلی می تواند دشوار باشد با اعتماد به نفس ترسیم می شود. "
خاطرنشان كردند: در حالی كه رویكرد آنها نوید آزمایش را نشان می دهد ، كارهای دیگری برای اصلاح سیستم لازم است. این راه حل منبع باز است و به آدرس قابل دسترسی است .
محققان مقاله خود را با عنوان "تأیید صحت محتوا برای خطوط تصویربرداری عصبی: بهینه سازی نهایی به منظور تحقق عکس در کانال های توزیع پیچیده" ، در ماه ژوئن در کنفرانس بینایی رایانه و تشخیص الگو در لانگ بیچ ، کالیفرنیا ، ارائه می دهند.
زمستان می تواند یک مزاحمت مزرعه خورشیدی برای شبکه برق باشد