ما شاهکارهای تخیلی جعلی عکس را می بینیم. اکنون باید بفهمیم که در مورد آنها چه باید کرد. هدف این است که بتوانیم از واقعیت جعلی بگوییم ، اما چگونه می توان به آنجا رسید؟ پزشکی قانونی ابزاری اساسی برای شکار عکس های جعلی است و به نظر نمی رسد کار خوبی برای به دست آوردن آن ابزار برای عملکرد خوب باشد.
لیلی هی نیومن در Wired گفت: "یكی از سخت ترین موارد در مورد تشخیص عکس های دستکاری شده یا" عمیق ترین چیزها "این است که پرونده های عکس دیجیتالی رمزگشایی نشده اند ."
پس از آن متخصصان چه نتیجه ای کسب کرده اند؟ تحلیلگران پزشکی قانونی فهمیدند چگونه بعضی از خصوصیات دیجیتالی را برای تشخیص اختلال دخالت می کنند ، "اما این شاخص ها همیشه یک تصویر قابل اعتماد را ترسیم نمی کنند."
و حتی ممکن است این سرنخ ها کمکی نکنند ، زیرا "بسیاری از انواع متداول" پردازش بعد از عمل "مانند فشرده سازی پرونده برای بارگذاری و به اشتراک گذاری عکس آنلاین ، به هر حال این سرنخ ها را از بین ببرید."
اما ادامه دهید محققان دانشکده فنی دانشگاه تاندون دانشگاه نیویورک دارای محرمانه مقاوم در برابر ضربات سخت از خود دوربین بودند.
مقاله آنها در مورد این ایده در مورد arXiv است ، و با عنوان "خطوط تصویربرداری عصبی - معضل یا امید پزشکی قانونی؟" نویسندگان پاول کوروس و نصیر ممون هستند.
"ما نشان می دهیم که یک شبکه عصبی می تواند برای جایگزینی کل خط لوله توسعه عکس آموزش داده شود ، و به طور مشترک برای رندر عکس با اطمینان بالا و آنالیز قابل اعتماد بودن بهینه سازی شود. چنین خط لوله تصویربرداری عصبی بهینه شده اجازه می دهد تا دقت تشخیص دستکاری تصویر را از حدود 45٪ افزایش دهیم. این شبکه یاد می گیرد تا آثار باستانی دستکاری شده ، شبیه به علامت های دیجیتالی ، که تشخیص دستکاری بعدی را تسهیل می کند ، معرفی کند. تجزیه و تحلیل بازده عملکرد نشان می دهد که بیشترین سود می تواند فقط با تحریف جزئی حاصل شود. "
وایر توضیح داد که نویسندگان چه پیشنهادی داشتند: آموزش یک شبکه عصبی برای قدرت در روند توسعه عکس که در داخل دوربین ها انجام می شود. نیومن نوشت: "این سنسورها در حال تفسیر نوری هستند كه به لنز ضربه می زند و آن را به یك تصویر با كیفیت تبدیل می كنند. همچنین شبکه عصبی نیز آموزش داده شده است تا پرونده را با نشانگرهای غیرقابل اطمینان علامت گذاری كند كه بعدا در صورت نیاز توسط تحلیلگران پزشکی قانونی قابل بررسی هستند."
او به نقل از محقق نصیر ممون درباره اظهار نظر در مورد جعل جعلی به این روش گفت. او گفت که "شما باید به مبدائی که تصویر در آن گرفته شده است نزدیک شوید."
وی در ادامه گفت كه "در این كار" ما تصویری را ایجاد می كنیم كه از نظر پزشکی قانونی باشد و این امر باعث می شود تحقیقات پزشکی قانونی بهتر از یك تصویر معمولی انجام شود. این روش پیشگیرانه است نه ایجاد تصاویر برای كیفیت بصری آنها و سپس امیدوار است كه فنون پزشکی قانونی كار كنند. بعد از واقعیت
ملانی Ehrenkranz در Gizmodo همچنین توضیح داد که محققان برای دستیابی به موفقیت در پزشکی قانونی با استفاده از یادگیری ماشینی برای اهداف پزشکی قانونی و پخت یک روش تشخیص درست در دوربین استفاده کردند.
Ehrencranz: "آنها روشی را توصیف می کنند که در آن یک شبکه عصبی فرآیند توسعه عکس را جایگزین می کند تا تصویر اصلی گرفته شده با چیزی مانند علامت دیجیتالی مشخص شود تا نشان از استحکام عکس در تجزیه و تحلیل پزشکی قانونی دیجیتال باشد. به عبارت دیگر ، این فرایند را مشخص می کند. منشأ عکس ها و اینکه آیا از ابتدای حالت اولیه دستکاری شده است. "
انتشار این خبر از دانشکده مهندسی تانون NYU خلاصه ای به خصوص از آنچه این محققان به دست آورده اند بود. رویکرد آنها "خط لوله توسعه عکس معمولی را با یک شبکه عصبی جایگزین می کند - یک شکل AI" که در لحظه بدست آوردن آثار با دقت ساختاری مستقیماً به تصویر معرفی می کند. ""
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.
بیشتر بخوانید: پمپ وکیوم کوچک
بحث در مورد علامت گذاری پزشکی قانونی بر روی عکس ها بوده است. در مورد فیلم چیست؟ وایر گفت ویدئو چیزی است که محققان گفتند که آنها هنوز دست به اعتصاب نزنند ، اما این امر از نظر تئوری امکان پذیر است.
"ما معتقدیم که باید فرصت های جدیدی را برای طراحی امنیتی مدار دوربین ها و کانال های پخش چندرسانه ای که با اتخاذ پردازنده های تصویربرداری عصبی همراه هستند در نظر بگیریم."
در واقع ، جعبه ابزار تصویربرداری عصبی آنها در GitHub در دسترس است. این به عنوان "جعبه ابزار Python برای بهینه سازی خطوط تصویربرداری عصبی برای تشخیص دستکاری عکس" توصیف شده است.
انتشار NYU Tandon این نکته را بیان کرد که در سالهای آینده ، "فرآیندهای محرک هوش مصنوعی احتمالاً جایگزین خطوط لوله سنتی تصویربرداری دیجیتال خواهند شد." Memon گفت: با گذشت زمان این انتقال ، "ما این فرصت را داریم که قابلیت های دستگاه های نسل بعدی را در هنگام صحت تصویر و تأیید اعتبار به طور چشمگیری تغییر دهیم. تصویربرداری از خطوط لوله که برای پزشکی قانونی بهینه شده اند می توانند به بازگرداندن یک عنصر اعتماد در مناطقی بپردازند که خط اطمینان و جعلی با اعتماد به نفس دشوار باشد. ""
ما شاهکارهای تخیلی جعلی عکس را می بینیم. اکنون باید بفهمیم که در مورد آنها چه باید کرد. هدف این است که بتوانیم از واقعیت جعلی بگوییم ، اما چگونه می توان به آنجا رسید؟ پزشکی قانونی ابزاری اساسی برای شکار عکس های جعلی است و به نظر نمی رسد کار خوبی برای به دست آوردن آن ابزار برای عملکرد خوب باشد.
لیلی هی نیومن در Wired گفت: "یكی از سخت ترین موارد در مورد تشخیص عکس های دستکاری شده یا" عمیق ترین چیزها "این است که پرونده های عکس دیجیتالی رمزگشایی نشده اند ."
پس از آن متخصصان چه نتیجه ای کسب کرده اند؟ تحلیلگران پزشکی قانونی فهمیدند چگونه بعضی از خصوصیات دیجیتالی را برای تشخیص اختلال دخالت می کنند ، "اما این شاخص ها همیشه یک تصویر قابل اعتماد را ترسیم نمی کنند."
و حتی ممکن است این سرنخ ها کمکی نکنند ، زیرا "بسیاری از انواع متداول" پردازش بعد از عمل "مانند فشرده سازی پرونده برای بارگذاری و به اشتراک گذاری عکس آنلاین ، به هر حال این سرنخ ها را از بین ببرید."
اما ادامه دهید محققان دانشکده فنی دانشگاه تاندون دانشگاه نیویورک دارای محرمانه مقاوم در برابر ضربات سخت از خود دوربین بودند.
مقاله آنها در مورد این ایده در مورد arXiv است ، و با عنوان "خطوط تصویربرداری عصبی - معضل یا امید پزشکی قانونی؟" نویسندگان پاول کوروس و نصیر ممون هستند.
"ما نشان می دهیم که یک شبکه عصبی می تواند برای جایگزینی کل خط لوله توسعه عکس آموزش داده شود ، و به طور مشترک برای رندر عکس با اطمینان بالا و آنالیز قابل اعتماد بودن بهینه سازی شود. چنین خط لوله تصویربرداری عصبی بهینه شده اجازه می دهد تا دقت تشخیص دستکاری تصویر را از حدود 45٪ افزایش دهیم. این شبکه یاد می گیرد تا آثار باستانی دستکاری شده ، شبیه به علامت های دیجیتالی ، که تشخیص دستکاری بعدی را تسهیل می کند ، معرفی کند. تجزیه و تحلیل بازده عملکرد نشان می دهد که بیشترین سود می تواند فقط با تحریف جزئی حاصل شود. "
وایر توضیح داد که نویسندگان چه پیشنهادی داشتند: آموزش یک شبکه عصبی برای قدرت در روند توسعه عکس که در داخل دوربین ها انجام می شود. نیومن نوشت: "این سنسورها در حال تفسیر نوری هستند كه به لنز ضربه می زند و آن را به یك تصویر با كیفیت تبدیل می كنند. همچنین شبکه عصبی نیز آموزش داده شده است تا پرونده را با نشانگرهای غیرقابل اطمینان علامت گذاری كند كه بعدا در صورت نیاز توسط تحلیلگران پزشکی قانونی قابل بررسی هستند."
او به نقل از محقق نصیر ممون درباره اظهار نظر در مورد جعل جعلی به این روش گفت. او گفت که "شما باید به مبدائی که تصویر در آن گرفته شده است نزدیک شوید."
وی در ادامه گفت كه "در این كار" ما تصویری را ایجاد می كنیم كه از نظر پزشکی قانونی باشد و این امر باعث می شود تحقیقات پزشکی قانونی بهتر از یك تصویر معمولی انجام شود. این روش پیشگیرانه است نه ایجاد تصاویر برای كیفیت بصری آنها و سپس امیدوار است كه فنون پزشکی قانونی كار كنند. بعد از واقعیت
ملانی Ehrenkranz در Gizmodo همچنین توضیح داد که محققان برای دستیابی به موفقیت در پزشکی قانونی با استفاده از یادگیری ماشینی برای اهداف پزشکی قانونی و پخت یک روش تشخیص درست در دوربین استفاده کردند.
Ehrencranz: "آنها روشی را توصیف می کنند که در آن یک شبکه عصبی فرآیند توسعه عکس را جایگزین می کند تا تصویر اصلی گرفته شده با چیزی مانند علامت دیجیتالی مشخص شود تا نشان از استحکام عکس در تجزیه و تحلیل پزشکی قانونی دیجیتال باشد. به عبارت دیگر ، این فرایند را مشخص می کند. منشأ عکس ها و اینکه آیا از ابتدای حالت اولیه دستکاری شده است. "
انتشار این خبر از دانشکده مهندسی تانون NYU خلاصه ای به خصوص از آنچه این محققان به دست آورده اند بود. رویکرد آنها "خط لوله توسعه عکس معمولی را با یک شبکه عصبی جایگزین می کند - یک شکل AI" که در لحظه بدست آوردن آثار با دقت ساختاری مستقیماً به تصویر معرفی می کند. ""
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.
بیشتر بخوانید: پمپ وکیوم کوچک
بحث در مورد علامت گذاری پزشکی قانونی بر روی عکس ها بوده است. در مورد فیلم چیست؟ وایر گفت ویدئو چیزی است که محققان گفتند که آنها هنوز دست به اعتصاب نزنند ، اما این امر از نظر تئوری امکان پذیر است.
"ما معتقدیم که باید فرصت های جدیدی را برای طراحی امنیتی مدار دوربین ها و کانال های پخش چندرسانه ای که با اتخاذ پردازنده های تصویربرداری عصبی همراه هستند در نظر بگیریم."
در واقع ، جعبه ابزار تصویربرداری عصبی آنها در GitHub در دسترس است. این به عنوان "جعبه ابزار Python برای بهینه سازی خطوط تصویربرداری عصبی برای تشخیص دستکاری عکس" توصیف شده است.
انتشار NYU Tandon این نکته را بیان کرد که در سالهای آینده ، "فرآیندهای محرک هوش مصنوعی احتمالاً جایگزین خطوط لوله سنتی تصویربرداری دیجیتال خواهند شد." Memon گفت: با گذشت زمان این انتقال ، "ما این فرصت را داریم که قابلیت های دستگاه های نسل بعدی را در هنگام صحت تصویر و تأیید اعتبار به طور چشمگیری تغییر دهیم. تصویربرداری از خطوط لوله که برای پزشکی قانونی بهینه شده اند می توانند به بازگرداندن یک عنصر اعتماد در مناطقی بپردازند که خط اطمینان و جعلی با اعتماد به نفس دشوار باشد. ""
زمستان می تواند یک مزاحمت مزرعه خورشیدی برای شبکه برق باشد