图片鉴伪识别平台Assembler解密

2020-05-27 09:41技术宅
电脑爱好者 2020年7期
关键词:噪点检测器粘贴

技术宅

眼见不为实——生活中有哪些伪照片

平时浏览网页的时候我们经常会遇到一些伪造照片,比如使用Photoshop(以下简称为PS)将自己照片抠出来,然后粘贴到某个风景区中,人为制作出自己到某地旅游的风景照;或者使用类似https:∥thispersondoesnotexist.com/提供的AI技术,生成现实生活中不存在的人物照片(图1)。为了方便叙述,我们将上述两类照片都称之为“伪照片”。

①·网站AI合成的图片

火眼金睛——Assembler照片识伪的幕后功臣

对于经过图像软件处理,或者由AI合成出来的照片,Assembler是怎么进行鉴别的呢?它的幕后功臣实际上是多个图像检测器,这些检测器可以针对特定的类型进行图像鉴别,从而鉴别出真伪。

在Assembier官网展示的一个演示实例中,左边这张图片将原来图片里国旗上的红色斑块消除了,但是通过Assembier可以鉴别出这是一张经过后期处理的图片(图2)。

示例图片中的红色斑块,通过图像软件如PS可以很轻松地去除,而且我们通过肉眼很难看出其中动过什么手脚。PS删除红色斑块的原理是先选取需要删除的区域,将其删除后再通过算法抽取被删除区域周围像素的数据,然后对被删除的区域进行填充,最后对填充区域的色相、明度、饱和度进行调整,使得填充区域和周围区域看上去一致(图3)。

②·展示鉴别实例

③·Photoshop删除图片多余部分的示例

④颜色和噪点模式检测器算法图解

Assembier可以鉴别出这类图片,幕后功臣就是其内置的“颜色和噪点模式”检测器(用来鉴别有擦除痕迹的图片),因为经过擦除处理的图片,它和实际图片相比在颜色模式、图像噪点上会出现异常。为此谷歌首先建立一个训练模型,接着准备大量的类似上述示例擦除照片让这个模型进行鉴别,在进行大数据训练的同时结合神经网络进行自我学习和提高,最终生成一套算法并将其部署在Assembier服务器上。这样服务器在接收到类似图2中的图片时,检测器就会根据算法对图片每个部分进行检测,如果发现其中某部分的颜色值和噪点模式不一致,那么Assembler就判定这是一张经过后期处理的“伪图”(图4)。

Assembler内置的“StyleGAN检测器”则主要对通过“StyleGAN”技术生成的AI图片进行鉴别(目前网站AI合成图像底层技术基本来自StvleGAN)。比如使用英伟达的StyleGAN技术生成的AI人像,这类照片带有明显的基于样式生成对抗网络技术特征,上述检测器可以鉴别出该特征并将其和正常照片区分出来。

此外Assembler还有“Dense-Field Copy-Meve”检测器(用来鉴别具有粘贴特征的图片,比如使用抠图方法将其他物件粘贴过来的图片)、“JPEG DIMLES”检测器(用来鉴别被编辑过并且经过压缩处理的JPEG格式图片)、“自洽性拼接”检测器(用来鉴别更改过EXIF属性的图片)、“SPLICEBUSTER”“检测器”(用来鉴别噪点模式不一致的图片)和“集成Model”检测器(可以同时分析图片是否使用多种类型的操作,然后交由特定检测器进行检测)。这样Assembler将多个检测器组成的集合模型就可以识别多种图像处理类型,鉴别结果比任何单个检测器都更准确(图5)。

⑤Assembler工作原理图解

理性看待Assembler

类似Assembler这种简单易用同时又有高超图片鉴别能力的服务,必然会给我们的生活带来更多便利,比如借助Assembler的识图能力,以后在遇到一些看上去真伪难辨的新闻图片时,我们就可以通过Assembier快速地进行鉴别,避免被各种假新闻蒙骗。

当然我们也应该看到Assembler鉴图能力的局限性,它实际所依赖的是每个检测器背后的算法,而“伪”图的制作其实也是借助算法,因此真伪鉴别本质上就是两种算法之争。如果图像处理软件的算法比Assembler更好,那么Assembler是无法将其鉴别出来的。此外,因为Assembler的鑒别能力严重依赖算法,而自然界中图片的颜色、光线千变万化,仅仅依靠算法还是无法真正鉴别出每一张图片,因此我们对Assembler的能力也别太过迷信(图6)。

⑥算法之争

猜你喜欢
噪点检测器粘贴
相机学院
帖脸谱
《猫头鹰》小粘贴
A ski trip to Japan
What Would I Change It To
低相噪点频源的设计与验证
车道微波车辆检测器的应用
技术橱窗
用Lightroom降低画面的噪点表现
一种雾霾检测器的研究与设计