Tutkijat ovat löytäneet syvänvaltaisten videoiden kestävän piirteen, joka voi auttaa pitkäaikaisessa havaitsemisessa

Siitä lähtien, kun ensimmäiset syvänvaltaisten videoiden havaitsemisratkaisut alkoivat ilmestyä vuonna 2018, tietokonegrafiikan ja turvallisuustutkimuksen ala on pyrkinyt määrittämään olennaisen ominaisuuden syvänvaltaisista videoista – signaaleja, jotka voivat osoittautua kestäviksi kasvoksynthesoiden teknologioiden parannuksille (kuten autoencoder-pohjaisille syvänvaltaisille paketeille, kuten DeepFaceLab ja FaceSwap, ja generatiivisten vastakkaisuuksien verkostojen käytölle ihmisten kasvojen uudelleenluomiseen, simuloimiseen tai muuttamiseen).

Monet “merkit”, kuten silmiensulku, tulivat tarpeettomiksi syvänvaltaisten parannusten myötä, kun taas digitaalisten alkuperän menetelmien, kuten Adoben johtaman Content Authenticity Initiativen mahdollinen käyttö (mukaan lukien blockchain-lähestymistavat ja digitaalisten vesileimojen käyttö mahdollisten lähdekuville) edellyttävät joko laajoja ja kalliita muutoksia olemassa olevaan internetissä olevaan lähdekuviin tai muuten merkittävää yhteistyötä maiden ja hallitusten välillä järjestyksen ja todennuksen järjestelmien luomiseksi.

Oleellista olisi, jos todella perustavanlaatuinen ja kestävä piirre voitaisiin havaita kuvan ja videon sisällössä, jossa on muutettuja, keksittyjä tai identiteetin vaihtaneita ihmisten kasvoja; ominaisuus, joka voisi johtua suoraan väärennettyjen videoista ilman laajamittaista vahvistusta, kryptografista varallisuuden hakemista, kontekstin tarkastamista, uskottavuuden arviointia, artifact-keskeisiä havainnontekijöitä tai muita raskaita lähestymistapoja syvänvaltaisten havaitsemiseen.

Syvänvaltaiset kuvassa

Kiinan ja Australian tutkimusyhteistyö uskoo, että he ovat löytäneet tämän “pyhän graalin” säännöllisyyden häirintänä.

Tutkijat ovat kehittäneet menetelmän, jossa vertaillaan aitojen videoiden avaruudellista eheyttyneisyyttä ja aikamuistia niiden videoiden kanssa, jotka sisältävät syvänvaltaista sisältöä, ja he ovat havainneet, että mikä tahansa syvänvaltaisten sekaantuminen häiritsee kuvan säännöllisyyttä, vaikka se olisi havaitsematon.

Tämä johtuu osittain siitä, että syvänvaltaisten prosessi purkaa kohdevideon kehyksiin ja soveltaa koulutetun syvänvaltaisen mallin vaikutusta jokaiseen (korvattuun) kehykseen. Suositut syvänvaltaiset jakelut toimivat samalla tavalla kuin animaattorit, tässä suhteessa, antaen enemmän huomiota jokaisen kehyksen aitouden kuin kehyskohtaisen avaruudellisen eheyttyneisyyden ja aikamuistin yhteenlaskettuun vaikutukseen.

Tutkimuksesta: A) Erojen välillä. Tässä näemme, että p-fake-häiriöt muuttavat kuvan avaruudellista laatua samalla tavalla kuin syvänvaltaiset, ilman identiteetin vaihtamista. B) Melun analyysi kolmesta tietotyyppien, osoittaa, miten p-fake jäljittelee syvänvaltaisten häirintää. C) Aikamuistoinen visualisointi kolmesta tietotyyppien, jossa aito data osoittaa suuremman eheyttyneisyyden vaihtelussa. D) T-SNE-visualisointi poistetuista ominaisuuksista aito, väärennetty ja p-fake-video. Lähde: https://arxiv.org/pdf/2207.10402.pdf

… (rest of the translation remains the same, following the exact structure and format of the original text)