کدام چهره واقعی است؟استفاده از تجزیه و تحلیل فرکانس برای شناسایی تصاویر "عمیق جعلی".

آنها به طرز فریبنده ای واقعی به نظر می رسند، اما توسط رایانه ها ساخته می شوند: تصاویر به اصطلاح جعلی عمیق توسط الگوریتم های یادگیری ماشینی تولید می شوند و انسان ها تقریباً قادر به تشخیص آنها از عکس های واقعی نیستند. محققان مؤسسه امنیت فناوری اطلاعات هورست گورتز در دانشگاه روهر بوخوم و خوشه عالی "امنیت سایبری در عصر دشمنان مقیاس بزرگ" (Casa) روش جدیدی را برای شناسایی کارآمد تصاویر عمیق جعلی توسعه داده اند. برای این منظور، آنها اشیاء موجود در حوزه فرکانس را تجزیه و تحلیل می کنند که یک تکنیک پردازش سیگنال است.

تجزیه و تحلیل فرکانس، مصنوعات معمولی را در تصاویر تولید شده توسط رایانه آشکار می کند. اعتبار: © RUB، Marquard

این تیم کار خود را در کنفرانس بین المللی یادگیری ماشین (ICML) در 15 ژوئیه 2020، یکی از کنفرانس های پیشرو در زمینه یادگیری ماشین ارائه کرد. علاوه بر این، محققان کد خود را به صورت رایگان به صورت آنلاین* در دسترس قرار می دهند تا گروه های دیگر بتوانند نتایج خود را بازتولید کنند.

تعامل دو الگوریتم منجر به ایجاد تصاویر جدید می شود

تصاویر عمیق جعلی - کلمه ای از "یادگیری عمیق" برای یادگیری ماشینی و "جعلی" - با کمک مدل های کامپیوتری، به اصطلاح شبکه های متخاصم تولید کننده، به اختصار GAN تولید می شوند. دو الگوریتم در این شبکه ها با هم کار می کنند: الگوریتم اول تصاویر تصادفی را بر اساس داده های ورودی خاص ایجاد می کند. الگوریتم دوم باید تصمیم بگیرد که آیا تصویر جعلی است یا خیر. اگر تشخیص داده شود که تصویر جعلی است، الگوریتم دوم به الگوریتم اول دستور اصلاح تصویر را می دهد - تا زمانی که دیگر آن را جعلی تشخیص ندهد.

اعضای تیم تحقیقاتی مستقر در بوخوم عبارتند از: Thorsten Holz، Lea Schönherr، Joel Frank و Thorsten Eisenhofer (از چپ به راست). اعتبار: RUB، Marquard

در سال های اخیر، این تکنیک کمک کرده است تا تصاویر عمیق جعلی بیش از پیش معتبرتر شوند. در وب سایت**، کاربران می توانند بررسی کنند که آیا می توانند عکس های جعلی را از اصلی تشخیص دهند. پروفسور تورستن هولز از کرسی امنیت سیستم ها می گوید: «در عصر اخبار جعلی، اگر کاربران توانایی تشخیص تصاویر تولید شده توسط رایانه از تصاویر اصلی را نداشته باشند، می تواند مشکل ساز شود.

برای تجزیه و تحلیل آنها ، محققان مبتنی بر Bochum از مجموعه داده هایی استفاده کردند که پایه و اساس صفحه فوق را تشکیل می دهد "که چهره واقعی است". در این پروژه بین رشته ای ، جوئل فرانک ، تورستن آیزنهاوفر و پروفسور تورستن هولز از صندلی برای امنیت سیستم ها با پروفسور اسجا فیشر از صندلی یادگیری ماشین و همچنین Lea Schönherr و پروفسور Dorothea Kolossa از رئیس پردازش سیگنال دیجیتال همکاری کردند.

تجزیه و تحلیل فراوانی آثار معمولی را نشان می دهد

تا به امروز ، تصاویر عمیق با استفاده از روشهای آماری پیچیده مورد تجزیه و تحلیل قرار گرفته است. گروه Bochum با تبدیل تصاویر به دامنه فرکانس با استفاده از تبدیل کسین گسسته ، رویکرد متفاوتی را انتخاب کرد. بنابراین تصویر تولید شده به عنوان مجموع بسیاری از توابع مختلف کسین بیان می شود. تصاویر طبیعی عمدتاً از توابع با فرکانس پایین تشکیل شده است.

تصاویر افرادی که به دامنه فرکانس تبدیل شده اند: گوشه بالا سمت چپ نشان دهنده مناطق با فرکانس پایین است ، گوشه پایین سمت راست نشان دهنده مناطق با فرکانس بالا است. در سمت چپ ، می توانید تغییر یک عکس از یک شخص واقعی را مشاهده کنید: دامنه فرکانس به طور مساوی توزیع می شود. تحول عکس تولید شده توسط رایانه (سمت راست) حاوی یک ساختار شبکه مشخص در محدوده با فرکانس بالا-یک مصنوعات معمولی است. اعتبار: © Rub ، Lehrstuhl für Systemsicherheit

تجزیه و تحلیل نشان داده است که تصاویر تولید شده توسط GAN ها مصنوعات در محدوده با فرکانس بالا را نشان می دهند. به عنوان مثال ، یک ساختار شبکه معمولی در بازنمایی فرکانس تصاویر جعلی ظاهر می شود. آزمایش های ما نشان داد که این مصنوعات فقط در تصاویر تولید شده GAN رخ نمی دهد. آنها یک مشکل ساختاری از همه الگوریتم های یادگیری عمیق هستند. "فرانک می افزاید: "ما فرض می کنیم که مصنوعات شرح داده شده در مطالعه ما همیشه به ما می گویند که آیا تصویر تصویری عمیق است که توسط یادگیری ماشین ایجاد شده است.""بنابراین تجزیه و تحلیل فرکانس یک روش مؤثر برای تشخیص خودکار تصاویر تولید شده توسط رایانه است."

مرجع: "تجزیه و تحلیل فرکانس اهرمی برای تشخیص تصویر جعلی عمیق" توسط جوئل فرانک ، تورستن آیزنهافر ، لی شونفر ، اسجا فیشر ، دوروته کولسا و تورستن هولز ، 2020 ، کنفرانس بین المللی یادگیری ماشین (ICML). PDF

یادداشت

* کد موجود در GitHub.