Bild från PGGAN dataset. Kredit:Karras et al.
Forskare vid State University of New York i Korea har nyligen undersökt nya sätt att upptäcka både maskin- och människoskapade falska bilder av ansikten. I deras tidning, publicerad i ACM Digital Library, forskarna använde ensemblemetoder för att upptäcka bilder skapade av generativa motstridiga nätverk (GAN) och använde förbehandlingstekniker för att förbättra upptäckten av bilder skapade av människor med hjälp av Photoshop.
Under de senaste åren, betydande framsteg inom bildbehandling och maskininlärning har möjliggjort generering av falska, ändå mycket realistisk, bilder. Dock, dessa bilder kan också användas för att skapa falska identiteter, göra falska nyheter mer övertygande, bypass bilddetekteringsalgoritmer, eller lura verktyg för bildigenkänning.
"Falska ansiktsbilder har varit ett ämne för forskning ganska länge nu, men studier har främst fokuserat på bilder gjorda av människor, med hjälp av Photoshop-verktyg, "Shahroz Tariq, en av forskarna som genomförde studien berättade för Tech Xplore. "Nyligen, en studie av Karras et al. visade att ett generativt motståndsnätverk (GAN) kunde producera nära realistiska ansiktsbilder. Människor kan använda dessa foton med uppsåt, till exempel, att skapa falska ID:n på internet."
Fokus för forskningen som utfördes av Tariq och hans kollegor var att upptäcka både datorgenererade och mänskliga genererade falska foton av ansikten med hjälp av tekniker för djupinlärning. Att göra detta, de utvecklade en neural nätverksklassificerare och utbildade den i en dataset med riktiga och falska bilder.
Bild från CelebA dataset. Kredit:Liu et al.
"Den neurala nätverksklassificeraren lär sig de särskiljande egenskaperna mellan verkliga och falska bilder genom att undersöka en massiv databas med både falska och verkliga bilder, sa Tariq.
Istället för att analysera metadata för bilder, denna klassificerare fokuserar på bildinnehållet. I preliminära tester, det uppnådde anmärkningsvärda resultat, upptäcker både GAN-genererade och mänskligt skapade falska bilder av ansikten med 94 procents noggrannhet.
"Även om datorgenererade bilder ser mycket realistiska ut för det mänskliga ögat, klassificeringen för neurala nätverk kunde upptäcka några små skillnader, vilket gjorde det möjligt att korrekt klassificera bilderna, ", sa Tariq. "Vi fann också att falska foton skapade av människor med hjälp av Photoshop-verktyg är mycket svårare att upptäcka, eftersom det finns många möjliga variationer. "
Verklig bild. Kredit:Tariq et al.
I framtiden, klassificeraren som utvecklats av Tariq och hans kollegor kan hjälpa till att identifiera falska bilder, genererade av GAN:er eller av människor med hjälp av grafikredigeringsprogram, som Photoshop. Forskarna planerar nu att utveckla sin klassificerare ytterligare, träna den på fler maskin- och mänskliga bilder.
Photoshoppad bild. Kredit:Tariq et al.
"När metoder för att generera syntetiska bilder blir mer sofistikerade, foton som genereras med dessa metoder kommer att bli mer realistiska och det kommer att bli svårare för den neurala nätverksklassificeraren att upptäcka deras skillnader, ", förklarade Tariq. "Vi vill därför fortsätta att förbättra våra metoder, för att bättre upptäcka sådana foton. "
© 2018 Science X Network
