Artículo original de Yang Hou, Qing Guo, Yihao Huang, Xiaofei Xie, Lei Ma, Jianjun Zhao

En los últimos años, los diferentes métodos para la detección de imágenes generadas por técnicas deep fake han ido incrementando con nuevos avances. Algunas de las técnicas que parecen ser más efectivas se basan en detectar diferencias estadísticas entre imágenes reales y artificiales.

Ataque de consistencia

En este artículo se propone lo que se conoce como un StatAttack (ataque de consistencia estadística), este consta de dos partes:

  • Se seleccionan diversas degradaciones naturales, como ruido, exposición a la luz, etc. para ser añadidos a las imágenes artificiales.
  • Se encontró que la diferencia entre imágenes artificiales y naturales está vinculada a cambios de distribución entre los dos tipos de imágenes.

Optimizando degradaciones

Se propone un mecanismo de optimización de las degradaciones que tenga en cuenta esto. Posteriormente, se extiende el ataque a su versión completa, MStatAttack donde se extiende desde una degradación uni-capa a una multicapa donde se afina la combinación de pesos de manera conjunta.

Figura 1: Comparación de espectrograma de brillo de una imagen natural (a), una artificial (b) y una artificial modificada con degradación (c ).


En esta figura vemos claras diferencias entre la estadística de la imagen natural ( que se extiende por todo lo largo de espectro) y la imagen generada artificialmente, donde el espectrograma es más reducido. Se observa que al aplicar cierta degradación, y fíjese que esta no está muy afinada, el espectrograma se ensancha, pareciéndose más al de una imagen natural.


Figura 2: Comparación de espectro de frecuencia de una imagen natural (a), una artificial (b) y una artificial modificada con degradación ( c)

Evadiendo sistemas de detección

En esta segunda comparación, lo que vemos son los espectros de frecuencias de la imagen original y una modificación mediante inteligencia artificial. Lo que vemos es que el natural es mucho más homogéneo que el modificado, en donde podemos ver que la zona cercana a los ejes posee un color más intenso. Para la tercera fotografía, lo que se ha hecho es simplemente añadir ruido gaussiano, causando así que el espectro se homogenice hasta resultar bastante similar al de la imagen original. Los resultados experimentales que se obtuvieron demuestran que el sistema que se utiliza es efectivo para evadir sistemas de detección de deep fakes mediante la adición de imperfecciones en las imágenes
naturales para causar que, de forma estadística, se parezcan más a las imágenes reales y engañar así a los detectores.

Subscríbete para estar al tanto de todas las novedades

Puedes subscribirte a nuestro blog para estar al tanto de todas las noticias relacionadas con el PROYECTO IVERES.

Gracias por tu confianza!

Subscríbete para estar al tanto de todas las novedades

Puedes subscribirte a nuestro blog para estar al tanto de todas las noticias relacionadas con el PROYECTO IVERES.

You have Successfully Subscribed!

Subscríbete para estar al tanto de todas las novedades

Puedes subscribirte a nuestro blog para estar al tanto de todas las noticias relacionadas con el PROYECTO IVERES.

You have Successfully Subscribed!