शोधकर्ता एक मजबूत विशेषता की पहचान करते हैं जो दीर्घकालिक पहचान में मदद कर सकती है

चूंकि 2018 में गहरे नकली पता लगाने के समाधान उभरने लगे, कंप्यूटर दृष्टि और सुरक्षा अनुसंधान क्षेत्र एक गहरे नकली वीडियो की एक आवश्यक विशेषता को परिभाषित करने की कोशिश कर रहा है – संकेत जो लोकप्रिय चेहरे संश्लेषण प्रौद्योगिकियों (जैसे ऑटोएनकोडर-आधारित गहरे नकली पैकेज जैसे DeepFaceLab और FaceSwap, और मानव चेहरों को पुनः बनाने, अनुकरण या बदलने के लिए जेनरेटिव एडवर्सेरियल नेटवर्क का उपयोग) में सुधार के प्रतिरोधी हो सकते हैं।

कई ‘टेल्स’, जैसे कि ब्लिंक की कमी, गहरे नकली में सुधार के द्वारा अप्रचलित हो गए, जबकि डिजिटल प्रोवेनेंस तकनीकों (जैसे एडोबी के नेतृत्व वाले सामग्री प्रामाणिकता पहल) का संभावित उपयोग – जिसमें ब्लॉकचेन दृष्टिकोण और संभावित स्रोत फोटो की डिजिटल वॉटरमार्किंग शामिल है – या तो इंटरनेट पर उपलब्ध स्रोत छवियों के मौजूदा शरीर में व्यापक और महंगे परिवर्तन की आवश्यकता है, या फिर प्रणालियों को बनाने के लिए राष्ट्रों और सरकारों के बीच एक उल्लेखनीय सहयोगी प्रयास की आवश्यकता है। प्रवर्तन और प्रमाणीकरण की।

इसलिए, यदि एक वास्तविक और मजबूत विशेषता को छवि और वीडियो सामग्री में समझा जा सकता है जिसमें बदले हुए, आविष्कृत, या पहचान-विनिमय मानव चेहरे होते हैं; एक विशेषता जो बड़े पैमाने पर सत्यापन, क्रिप्टोग्राफिक संपत्ति हैशिंग, संदर्भ-जांच, संभावना मूल्यांकन, कलाकृति-केंद्रित पता लगाने के दिनचर्या, या गहरे नकली पता लगाने के लिए अन्य बोझिल दृष्टिकोण के बिना नकली वीडियो से सीधे अनुमानित किया जा सकता है, तो यह बहुत उपयोगी होगा।

गहरे नकली फ्रेम में

चीन और ऑस्ट्रेलिया के बीच एक नए शोध सहयोग का मानना है कि उन्होंने नियमितता व्यवधान के रूप में इस ‘पवित्र ग्रिल’ को पाया है।

लेखकों ने वास्तविक वीडियो की स्थानिक अखंडता और कालानुक्रमिक निरंतरता की तुलना गहरे नकली सामग्री वाले वीडियो के साथ करने का एक तरीका तैयार किया है, और पाया है कि किसी भी प्रकार का गहरा नकली हस्तक्षेप छवि की नियमितता को बाधित करता है, चाहे वह कितना भी अस्पष्ट क्यों न हो।

यह आंशिक रूप से इसलिए है क्योंकि गहरे नकली प्रक्रिया लक्ष्य वीडियो को फ्रेम में तोड़ देती है और प्रत्येक (प्रतिस्थापित) फ्रेम में एक प्रशिक्षित गहरे नकली मॉडल का प्रभाव लागू करती है। लोकप्रिय गहरे नकली वितरण एक ही तरह से कार्य करते हैं जैसे कि एनिमेटर, इस संबंध में, प्रत्येक फ्रेम की वास्तविकता पर अधिक ध्यान देते हैं niż प्रत्येक फ्रेम का समग्र स्थानिक अखंडता और कालानुक्रमिक निरंतरता में योगदान।