How can compression artifacts help spot AI images?

Compression artifacts interact with an image’s underlying texture. Camera photos carry sensor quirks and natural noise; AI images often have smoother or oddly regular patterns. After JPEG, those differences can show up in block boundaries, noise behavior, and edge halos—use them as clues, not verdicts.

Is Error Level Analysis (ELA) enough to prove an image is fake?

Nope. ELA highlights compression differences, which can come from normal edges or edits. Treat ELA like a flashlight—great for finding suspicious regions, but you still need corroboration from metadata, double-compression checks, and texture consistency.

Do social networks ruin forensic analysis?

They make it harder. Platforms resize, strip metadata, and recompress, which can erase or mimic clues. You can still get useful signals, but always ask for the original file when integrity matters.

What’s the most reliable sign of an AI-generated image under JPEG?

There’s no single silver bullet. A pattern of clues—uniform synthetic noise, inconsistent block artifacts, unrealistic texture degradation in hair or foliage—combined with weak metadata or odd lighting is more telling than any one test.

Should I use PRNU to verify camera-origin images?

If you have clean reference photos from the same device, PRNU can be powerful. Just remember compression and resizing reduce its reliability, so use it alongside ELA, double-compression detection, and good provenance practices.

آیا فشرده‌سازی می‌تواند فیک بودن را لو دهد؟ بررسی آثار تصویری تولیدشده توسط هوش مصنوعی

مقدمه: راز ماه تار

شب گذشته، یکی از دوستانم عکسی چشمگیر از ماه برایم فرستاد—نارنجی، بزرگ و نزدیک، از آن نوع ماهی که انگار می‌خواهد جزر و مد را پس بگیرد. نوشت: «این را با تلفنم گرفتم.» و من هم باور کردم… تا اینکه زوم کردم. دهانه‌ها به طرز عجیبی صاف بودند، ابرها طوری به نظر می‌رسیدند که انگار با یک قلم‌موی بسیار ظریف رنگ شده‌اند، و کل تصویر آن حس خیلی بی‌نقص بودن را داشت، مثل یک صحنه هالیوودی که نمی‌توانید کاملاً به آن اعتماد کنید.

نکته جالب اینجاست: نشانه اصلی، خود ماه «جعلی» نبود. بلکه اثرات فشرده‌سازی بود که درست جلوی چشم پنهان شده بود. لکه‌های JPEG، نویزی که با نورپردازی مطابقت نداشت، اثرات بلوکی که با نحوه معمول خرابکاری دوربین‌های تلفن همخوانی نداشت.

اگر تا به حال از خودتان پرسیده‌اید که آیا اثرات فشرده‌سازی می‌توانند به شما کمک کنند تصاویر تولیدشده توسط هوش مصنوعی را تشخیص دهید—یا اینکه آیا هوش مصنوعی می‌تواند پشت فشرده‌سازی مانند یک بارانی بلند در یک فیلم جاسوسی پنهان شود—یک صندلی بکشید و بنشینید. ما بررسی خواهیم کرد که فشرده‌سازی چه می‌کند، چه اثراتی را باید جستجو کرد، و چگونه ابزارها و تکنیک‌های دنیای واقعی می‌توانند به تأیید صحت تصویر کمک کنند. و بله: این کار را بدون تبدیل مغز شما به سوپ پیکسلی انجام خواهیم داد.

آنچه واقعاً به دنبالش هستیم: صحت، نه شکار جادوگران

وقتی می‌گوییم «تجزیه و تحلیل اثرات فشرده‌سازی تصویر تولیدشده توسط هوش مصنوعی»، هدف ما این نیست که به هر عکس جالبی انگ جعلی بزنیم. ما سعی می‌کنیم به یک سؤال عملی‌تر پاسخ دهیم: چقدر می‌توانیم به این تصویر اعتماد کنیم؟ آیا مستقیماً از یک دوربین آمده است، یا یک مدل مولد آن را به وجود آورده است؟ آیا ویرایش شده است؟ دوباره فشرده شده است؟ از یک فیلتر عبور کرده است که سرنخ‌ها را از بین برده است؟

صحت همیشه به معنای «واقعی» بودن نیست. بلکه به معنای «قابل تأیید» بودن است. این در مورد زنجیره نگهداری، منشأ و این است که آیا تصویری که می‌بینیم با داستانی که برای ما تعریف می‌شود مطابقت دارد یا خیر.

فشرده‌سازی 101: چرا عکس‌های شما خرد می‌شوند

اکثر تصاویری که به صورت آنلاین می‌بینید فشرده شده‌اند—اغلب به صورت JPEG. فشرده‌سازی فقط یک واژه فانتزی برای «کم کردن مقداری از داده‌ها است تا فایل کوچک‌تر شود.» JPEG این کار را با استفاده از بلوک‌های پیکسلی 8×8 و یک پرتو کوچک‌کننده ریاضی انجام می‌دهد. نتیجه: شما در فضا و پهنای باند صرفه‌جویی می‌کنید. هزینه: اثراتی مانند مرزهای بلوکی کوچک، بافت‌های لکه‌دار، هاله‌ها در اطراف لبه‌ها و آن «نویز پشه‌ای» آشکار دریافت می‌کنید.

حالا، نکته مهم اینجاست: عکس‌های دوربین و تصاویر تولیدشده توسط هوش مصنوعی، قبل از شروع فشرده‌سازی، تمایل دارند «امضاهای بافتی» متفاوتی داشته باشند. تصاویر دوربین دارای ویژگی‌های خاص مبتنی بر سنسور هستند—مانند PRNU، اثر انگشت غیریکنواختی پاسخ عکس که به اندازه DNA دوربین شخصی است. از طرف دیگر، تصاویر تولیدشده توسط هوش مصنوعی، از الگوهای آموخته‌شده یک مولد پدیدار می‌شوند—بافت‌های عصبی که می‌توانند از نظر آماری خیلی صاف یا به طرز عجیبی منظم به نظر برسند. آن‌ها را فشرده کنید، و اثرات اغلب به روش‌های ظریفی با آن الگوهای زیربنایی تعامل می‌کنند.

جایی که اثرات داستان‌ها را بازگو می‌کنند

اشکالات فشرده‌سازی مضاعف: اگر تصویری دو بار به عنوان JPEG ذخیره شده باشد (مثلاً ویرایش و دوباره ذخیره شده باشد)، هیستوگرام ضرایب DCT می‌تواند یک ریتم نامنظم پیدا کند. ابزارها می‌توانند آن الگوها را تشخیص دهند و ویرایش احتمالی را علامت‌گذاری کنند.

عجیب و غریب بودن مرز بلوک: JPEG در بلوک‌ها کار می‌کند. اگر قسمت‌هایی از یک تصویر بلوک‌بندیConsistent را نشان ندهند—در حالی که باید نشان دهند—این نشانه‌ای است که چیزی در آن چسبانده شده یا به طور ناهموار دوباره فشرده شده است.

عدم تطابق نویز: دوربین‌های واقعی نوعی دانه تصادفی و وابسته به نور را معرفی می‌کنند. هوش مصنوعی گاهی اوقات نویزی تولید می‌کند که خیلی یکنواخت است یا از سایه‌ها و هایلایت‌هایی که نویز واقعی دوست دارد در آنجا باشد، جدا شده است. پس از فشرده‌سازی، آن الگوهای نویز می‌توانند خیلی مرتب از بین بروند یا به نظر برسند که کپی و چسبانده شده‌اند.

مناطق بافت «خیلی صاف»: پوست، ابرها، مو و شاخ و برگ جایی هستند که فشرده‌سازی به مشکل می‌خورد. در عکس‌های دوربین، این بافت‌ها به روش‌های آشنایی از بین می‌روند. در تصاویر تولیدشده توسط هوش مصنوعی، ممکن است یا خیلی خوب حفظ شوند، یا به یک پلاستیک غیرواقعی تبدیل شوند.

هاله‌ها و حلقه‌های لبه: حلقه‌های طبیعی در امتداد لبه‌های تیز رخ می‌دهند، اما اگر قدرت و گسترش هاله‌ها با بقیه صحنه مطابقت نداشته باشد—یا در جایی که نباید لبه وجود داشته باشد ظاهر شوند—ارزش بررسی دقیق‌تر را دارد.

راهنما: چگونه یک متخصص ممکن است یک JPEG مشکوک را بررسی کند

با داستان شروع کنید. از کجا آمده است؟ {Airdrop}، رول دوربین، رسانه‌های اجتماعی؟ فایلی که ارسال شده، دانلود شده، دوباره بارگذاری شده و به یک {meme} تبدیل شده است، تاریخچه فشرده‌سازی آشفته‌ای خواهد داشت. آن آشفتگی می‌تواند سرنخ‌ها را پاک یا جعل کند—بنابراین میزان اطمینان شما باید بر این اساس کاهش یابد.

فراداده‌ها را بررسی کنید، اما با احتیاط. داده‌های {EXIF} می‌توانند مدل دوربین، لنز، زمان و حتی {GPS} را به شما بگویند. اما پاک کردن یا جعل کردن آن نیز آسان‌ترین کار است. عدم وجود فراداده به معنای جعلی بودن آن نیست—اما اگر کسی ادعا می‌کند «{iPhone 15 Pro Max}، سه‌شنبه گذشته»، و {EXIF} می‌گوید «ناشناخته، 1980»، شما یک ابرو بالا می‌اندازید.

تجزیه و تحلیل سطح خطا ({ELA}). {ELA} تفاوت‌های فشرده‌سازی را بزرگ‌نمایی می‌کند. در یک عکس طبیعی، {ELA} تمایل دارد در اطراف لبه‌ها و بافت‌های پیچیده روشن شود. اگر صورت یک فرد مانند یک تابلوی نئونی می‌درخشد اما بقیه صحنه اینطور نیست، این می‌تواند نشان‌دهنده اتصال یا ویرایش‌های خاص منطقه باشد.

به دنبال الگوهای فشرده‌سازی مضاعف باشید. ابزارهای تخصصی هیستوگرام‌های ضریب {DCT} را تجزیه و تحلیل می‌کنند و علائم ذخیره‌های متعدد را تشخیص می‌دهند. هشدار: پلتفرم‌های اجتماعی اغلب تصاویر را دوباره فشرده می‌کنند، بنابراین فشرده‌سازی مضاعف به تنهایی یک مدرک قطعی نیست—بلکه یک سرنخ است.

{PRNU} در مقابل اثر انگشت‌های مولد. اگر عکس‌های مرجعی از یک دوربین دارید، می‌توانید سعی کنید اثر انگشت سنسور آن ({PRNU}) را مطابقت دهید. برخی از آشکارسازها همچنین سعی می‌کنند اثر انگشت‌های {GAN} را شناسایی کنند—ویژگی‌های آماری به‌جامانده از مولدهای خاص. فشرده‌سازی سنگین حساسیت را در اینجا کاهش می‌دهد، اما گاهی اوقات به اندازه کافی باقی می‌ماند تا کفه ترازو را به یک طرف سنگین کند.

تغییر اندازه دهید و دوباره فشرده کنید. محققان گاهی اوقات تصویر را تغییر می‌دهند—آن را کمی تغییر اندازه می‌دهند، دوباره در سطوح کیفیت مشخص فشرده می‌کنند—و نحوه تغییر اثرات را تماشا می‌کنند. عکس‌های واقعی و تصاویر تولیدشده توسط هوش مصنوعی می‌توانند به طور متفاوتی پاسخ دهند، به خصوص در مناطق پربافت مانند مو یا چمن.

با نظم و انضباط بزرگنمایی کنید. هر لکه‌ای را بیش از حد تفسیر نکنید. در عوض، مناطق مختلف را مقایسه کنید: آسمان در مقابل پوست، پوشش‌های متنی در مقابل پس‌زمینه، سطوح بازتابنده در مقابل سطوح مات. شما به دنبال سازگاری هستید.

هوش مصنوعی در پنهان کردن چه چیزهایی بهتر می‌شود

متن و بافت‌های کوچک: هوش مصنوعی اولیه با حروف و الگوهای تکراری مشکل داشت؛ فشرده‌سازی اشکالات را آشکار می‌کرد. مدل‌های جدیدتر بافت‌های کوچک تمیزتری ارائه می‌دهند، و فشرده‌سازی سبک ممکن است آن‌ها را لو ندهد.

انسجام نورپردازی: مولدها اکنون کار قانع‌کننده‌ای در تطبیق سایه‌ها و بازتاب‌ها انجام می‌دهند. هاله‌های فشرده‌سازی که زمانی ناهماهنگی‌ها را برجسته می‌کردند، دیگر نمی‌توانند همیشه شما را نجات دهند.

نویز مصنوعی: مدل‌ها به طور فزاینده‌ای نویز شبیه به دوربین را برای «ترکیب شدن» اضافه می‌کنند. بعد از {JPEG}، می‌تواند بسیار باورپذیر به نظر برسد.

چه چیزی هنوز (اغلب) هوش مصنوعی را به دردسر می‌اندازد

جزئیات تکراری ظریف تحت فشرده‌سازی: چمن، خز، شاخ و برگ دور، حصارهای زنجیره‌ای. هوش مصنوعی ممکن است آنها را به عنوان «پیشنهاد» ارائه دهد، و فشرده‌سازی آن پیشنهادات را به لکه‌ها یا حلقه‌هایی تبدیل می‌کند که به طور قانع‌کننده‌ای تکرار نمی‌شوند.

تایپوگرافی روی سطوح دنیای واقعی: علائم منحنی، برچسب‌های برجسته، دوخت. هوش مصنوعی می‌تواند حس و حال را به خوبی القا کند، اما فشرده‌سازی ویژگی‌های لبه‌ای را نشان می‌دهد که با مواد فرضی مطابقت ندارند.

تاری حرکت ظریف و انتقال عمق میدان: لنزهای واقعی به روش‌های خاصی تار و بوکه ایجاد می‌کنند. جعل‌های هوش مصنوعی بهبود یافته‌اند، اما فشرده‌سازی گاهی اوقات یکنواختی آشکار آنها را اغراق می‌کند.

تمرین عملی: یک آزمایش خانگی ساده (بدون نیاز به روپوش آزمایشگاهی)

مرحله 1: تصویر را در یک نمایشگر باز کنید که زوم را در 100٪ و 200٪ نشان می‌دهد. اگر تصویر خیلی کوچک است (به عنوان مثال، از رسانه‌های اجتماعی)، انتظار معجزه نداشته باشید.

مرحله 2: سازگاری را اسکن کنید. آیا اثرات بلوکی در همه جا ظاهر می‌شوند، یا فقط در مناطق خاصی که به نظر می‌رسد چسبانده شده‌اند؟

مرحله 3: چهره‌ها، متن و مو را بررسی کنید. آیا رشته‌ها در شربت حل می‌شوند؟ آیا حروف در حالی که همه چیز دیگر تار می‌شود وضوح خود را حفظ می‌کنند—یا برعکس؟

مرحله 4: یک {ELA} سریع را در یک ابزار آنلاین اجرا کنید و مناطق را مقایسه کنید. آیا تغییرات به طور یکنواخت تدریجی هستند، یا برخی از قسمت‌ها به طور عجیبی روشن می‌شوند؟

مرحله 5: اگر فایل دارای فراداده است، آن را مرور کنید. آیا هیچ ناهماهنگی با داستان وجود دارد؟

مرحله 6: در صورت تردید، اصل را درخواست کنید. نسخه‌های اصلی سرنخ‌های قوی‌تری نسبت به اسکرین‌شات‌ها دارند.

فشرده‌سازی در مقابل یکپارچگی: نکته مهم

فشرده‌سازی فقط آشکار نمی‌کند؛ بلکه پاک هم می‌کند. بسیاری از پلتفرم‌ها فراداده‌ها را حذف می‌کنند، تصاویر را تغییر اندازه می‌دهند و به طور تهاجمی دوباره فشرده می‌کنند. این بدان معناست که:

نتایج منفی کاذب بیشتری دریافت خواهید کرد. یک عکس واقعی پس از پنج انحراف رسانه‌های اجتماعی می‌تواند «خاموش» به نظر برسد.

نتایج مثبت کاذب بیشتری دریافت خواهید کرد. یک تصویر هوش مصنوعی که از یک اسکرین‌شات دوربین تلفن عبور کرده است، سپس یک برنامه پیام‌رسانی، ممکن است اثرات «واقعی‌تری» را به ارث ببرد.

بنابراین شما یک حکم را بر اساس یک اثر استوار نمی‌کنید. شما شواهد را جمع می‌کنید: فراداده‌ها، سطوح خطا، پروفایل‌های نویز، ریتم فشرده‌سازی و عقل سلیم قدیمی در مورد خود صحنه.

جعبه ابزار: چه چیزی واقعاً در سال 2025 کمک می‌کند

مجموعه‌های جرم‌شناسی عکس: اینها {ELA}، تشخیص کلون، تجزیه و تحلیل نویز و بلوک و نمایشگرهای فراداده را ارائه می‌دهند. یک جمع‌بندی محکم از چنین ابزارهایی می‌تواند به شما کمک کند کیت شروع مناسب را انتخاب کنید.

بینش‌های تشخیص {deepfake}: معیارهای جدیدتر آشکارسازها را تحت فشرده‌سازی دنیای واقعی تست استرس می‌کنند—و نشان می‌دهند کدام روش‌ها در هنگام پر سر و صدا یا کم‌وضوح بودن تصاویر مقاومت می‌کنند. این مهم است زیرا تصویر مشکوک شما به ندرت بکر است.

فهرست‌های فراداده: کتابخانه‌ها و مراکز تحقیقاتی اغلب فهرست‌های به‌روز شده از ابزارهای تشخیص را نگهداری می‌کنند. مفید، حتی اگر فقط به یک یا دو مورد برای یک بررسی سریع عقلانی نیاز داشته باشید.

حرکات حرفه‌ای: چه زمانی به چیزی بیش از یک حدس نیاز دارید

با تصاویر شناخته شده کالیبره کنید. چند عکس واقعی از همان دستگاه و سناریوی نورپردازی بگیرید. اثرات فشرده‌سازی و رفتار نویز را در کنار هم مقایسه کنید.

فشرده‌سازی مضاعف را بررسی کنید: از آشکارسازهایی استفاده کنید که تناوب ضریب {DCT} را تجزیه و تحلیل می‌کنند. فشرده‌سازی مجدد دنیای واقعی امضای متفاوتی از یک زنجیره ویرایش عمدی به جا می‌گذارد.

{PRNU} را در نظر بگیرید: اگر چندین نسخه اصلی از یک دوربین دارید، آزمایش کنید که آیا تصویر مشکوک «متعلق» است. فشرده‌سازی حساسیت را کاهش می‌دهد، اما نه همیشه به طور مرگبار.

اثر انگشت‌های مولد را بررسی کنید: برخی از روش‌ها می‌توانند تصاویر را به خانواده مدل‌های خاصی نسبت دهند. باز هم، فشرده‌سازی آسیب می‌زند—با این حال تکنیک‌های قوی به بهبود خود ادامه می‌دهند و گاهی اوقات حتی تحت {JPEG} نیز کار می‌کنند.

{Sider.AI}: وقتی یک نظر دوم هوشمند می‌خواهید

در اینجا جایی است که یک دستیار مدرن می‌تواند شما را از بازی کردن نقش کارآگاه در نیمه‌شب نجات دهد. اگر به طور معمول تصاویر را بررسی می‌کنید—روزنامه‌نگاران، مربیان، مدیران انجمن—یک دستیار هوش مصنوعی که بتواند بررسی‌های سریع را انجام دهد، سرنخ‌ها را خلاصه کند و شما را به سمت ابزار مناسب برای تجزیه و تحلیل عمیق‌تر راهنمایی کند، در وقت شما صرفه‌جویی می‌کند. {Sider.AI}، برای مثال، می‌تواند به شما کمک کند خروجی‌ها را مقایسه کنید، یافته‌ها را سازماندهی کنید و حتی یک گزارش یکپارچگی کوتاه تهیه کنید که بتوانید با همکاران خود به اشتراک بگذارید. این جایگزین یک آزمایشگاه پزشکی قانونی نخواهد شد (و نباید هم بشود)، اما انجام اولین قدم را بسیار آسان‌تر می‌کند: فراداده‌ها را بکشید، ویژگی‌های عجیب فشرده‌سازی را یادداشت کنید و مناطقی را برای بازرسی دقیق‌تر علامت‌گذاری کنید. این مانند داشتن یک دستیار حقوقی دوستانه است که می‌داند کجا باید به دنبال ردپاهای پیکسلی عجیب و غریب بگردد.

پرچم‌های قرمز در مقابل شک منطقی: یک قاعده عملی

یک سیستم سه سطلی برای خودتان در نظر بگیرید:

سبز: داستان با فراداده مطابقت دارد؛ اثرات فشرده‌سازی سازگار هستند؛ {ELA} رفتار یکنواختی را نشان می‌دهد؛ بافت‌ها همانطور که انتظار می‌رود تخریب می‌شوند. احتمالاً معتبر (یا حداقل ویرایش نشده).

زرد: برخی ناهماهنگی‌ها—لبه‌های بلوکی عجیب در یک منطقه، نشانه‌های فشرده‌سازی مضاعف، شکاف‌های فراداده. یک محکومیت نیست—فقط یک تلنگر برای درخواست نسخه اصلی.

قرمز: ناهماهنگی‌های آشکار—رژیم‌های فشرده‌سازی مختلف در سراسر مناطق، متن یا مویی که طوری رفتار می‌کند که انگار روی آن نقاشی شده است، نورپردازی یا سایه‌هایی که در فیزیک شکست می‌خورند. آن را با فراداده از دست رفته یا منشأ طفره‌آمیز ترکیب کنید، و شما به اندازه کافی دلیل برای عقب‌نشینی دارید.

چرا این کار سخت‌تر می‌شود

مدل‌های مولد سریع‌تر از اینکه انگشتان شست شما بتوانند برای بزرگنمایی ضربه بزنند در حال بهبود هستند. آنها نویز مصنوعی را برای تقلید از حسگرها اضافه می‌کنند، بافت‌ها را به طور قانع‌کننده‌تری ارائه می‌دهند و اغلب به سبک‌های «ایمن» و مقاوم در برابر فشرده‌سازی روی می‌آورند. در همین حال، پلتفرم‌ها به فشرده‌سازی مجدد تصاویر به روش‌هایی ادامه می‌دهند که همان سرنخ‌هایی را که ما به آنها تکیه می‌کنیم، از بین می‌برند. اهداف تغییر می‌کنند—اما ابزارها و تکنیک‌ها نیز تغییر می‌کنند. بررسی‌های این حوزه پیشرفت‌های دلگرم‌کننده‌ای را در روش‌هایی نشان می‌دهد که تحت فشرده‌سازی و سایر آشفتگی‌های دنیای واقعی قوی باقی می‌مانند؛ رویکردهای اسناد نیز یاد می‌گیرند که از چرخ گوشت {JPEG} جان سالم به در ببرند، حداقل برخی از مواقع.

عیب‌یابی نوارهای کناری: مشکلات رایج

«{ELA} می‌گوید صورت روشن است—بنابراین جعلی است، درست است؟» لزوماً. مناطق با جزئیات بالا و لبه‌های با کنتراست بالا به طور طبیعی در {ELA} ظاهر می‌شوند. شما به سرنخ‌های تأییدکننده نیاز دارید.

«فراداده وجود ندارد—پرونده بسته شد؟» خیر. بسیاری از برنامه‌ها {EXIF} را برای صرفه‌جویی در فضا یا حفظ حریم خصوصی حذف می‌کنند. فراداده از دست رفته دلیلی برای پرسیدن سؤال است، نه یک حکم.

«فشرده‌سازی مضاعف پیدا کردم!» پلتفرم‌های اجتماعی این کار را همیشه انجام می‌دهند. فشرده‌سازی مضاعف به علاوه بافت‌های ناسازگار یا مرزهای بلوکی معنادارتر از هر یک به تنهایی است.

«{PRNU} مطابقت نداشت—بنابراین هوش مصنوعی است؟» فقط در صورتی که با دستگاه صحیح مقایسه کنید و نسخه‌های اصلی تمیزی داشته باشید. فشرده‌سازی و تغییر اندازه اطمینان {PRNU} را کاهش می‌دهد.

یک نمایش واقعی: عکس تعطیلاتی که فریاد می‌زد گرگ

تصور کنید که در حال مدیریت یک انجمن هستید. شخصی یک عکس چشمگیر را پست می‌کند: یک موج‌سوار که توسط یک موج وسیع و درخشان قاب شده است که کلمه «امید» را هجی می‌کند. مفسران هجوم می‌آورند: «جعلی!» «نه، هنر!» «به وضوح هوش مصنوعی!»

شما:

تصویر را بکشید. فایل یک {JPEG} 1200×800 است، اندازه کم—به وضوح دوباره فشرده شده است.

{ELA} را بررسی کنید. لبه آب می‌درخشد، اما درزهای لباس غواصی نیز همینطور—طبیعی برای لبه‌های با کنتراست بالا.

به 200% بزرگنمایی کنید. مو و اسپری کمی خیلی لکه‌دار به نظر می‌رسند—می‌تواند فشرده‌سازی باشد.

متن «امید» کاملاً با موج منحنی می‌شود. در لبه‌های حروف، حلقه‌های یکنواختی را می‌بینید که کاملاً با دانه آب مطابقت ندارند. مشکوک.

درخواست نسخه اصلی را بدهید. ارسال کننده یک فایل 4032×3024 ارائه می‌دهد. فراداده می‌گوید {iPhone}، تاریخ اخیر، {GPS} در ساحل.

بررسی‌ها را دوباره اجرا کنید. اکنون بافت کوچک آب واقعی به نظر می‌رسد؛ لبه‌های حروف هنوز برجسته هستند. شما {ELA} را روی هم قرار می‌دهید—حروف روشن‌تر از پاشیدن اطراف ظاهر می‌شوند.

حکم: متن ویرایش شده در یک عکس واقعی ترکیب شده است. تولید شده توسط هوش مصنوعی نیست، اما «دست نخورده» نیز نیست. تجزیه و تحلیل یکپارچگی در هر دو جهت کار می‌کند—می‌تواند یک عکس واقعی را از اتهامات نادرست نجات دهد یا دست ظریف یک آهنگساز را آشکار کند.

یک چیز آخر: کنجکاوی را حفظ کنید، قطعیت را از دست بدهید

اثرات فشرده‌سازی مانند ردپای روی شن هستند: مفید، اما حساس به جزر و مد. آنها سرنخ‌های قدرتمندی هستند وقتی از آنها در زمینه استفاده می‌کنید—در کنار فراداده‌ها، بررسی‌های سازگاری و عقل سلیم. هوش مصنوعی به بهبود جعل ادامه خواهد داد و پلتفرم‌ها به از بین بردن شواهد با فشرده‌سازی مجدد ادامه خواهند داد. اما با یک گردش کار هوشمند، ابزارهای مناسب و دوز سالمی از شک و تردید، می‌توانید باورپذیر را از گول خورده جدا کنید.

و اگر دوست شما یک عکس معجزه‌آسای دیگر از ماه برای شما ارسال کرد؟ بزرگنمایی کنید، یک نفس بکشید و اجازه دهید پیکسل‌ها داستان خود را بگویند.

مطالعه و جمع‌بندی بیشتر

بهترین ابزارهای پزشکی قانونی عکس و اینکه هر کدام در واقع برای چه کاری خوب هستند.

چگونه تشخیص {deepfake} تحت فشرده‌سازی و نویز دنیای واقعی مقاومت می‌کند.

فهرست ابزارهای تشخیص هوش مصنوعی از کتابخانه‌های دانشگاهی.

بررسی روش‌های تشخیص تصویر هوش مصنوعی قوی تحت فشرده‌سازی.

سوالات متداول

Q1:چگونه اثرات فشرده‌سازی می‌توانند به شناسایی تصاویر هوش مصنوعی کمک کنند؟ اثرات فشرده‌سازی با بافت زیربنایی یک تصویر تعامل دارند. عکس‌های دوربین دارای ویژگی‌های خاص حسگر و نویز طبیعی هستند؛ تصاویر هوش مصنوعی اغلب الگوهای صاف‌تر یا به طرز عجیبی منظم دارند. پس از {JPEG}، این تفاوت‌ها می‌توانند در مرزهای بلوک، رفتار نویز و هاله‌های لبه ظاهر شوند—از آنها به عنوان سرنخ استفاده کنید، نه حکم.

Q2:آیا تجزیه و تحلیل سطح خطا ({ELA}) برای اثبات جعلی بودن یک تصویر کافی است؟ خیر. {ELA} تفاوت‌های فشرده‌سازی را برجسته می‌کند، که می‌تواند از لبه‌های معمولی یا ویرایش‌ها ناشی شود. با {ELA} مانند یک چراغ قوه رفتار کنید—برای یافتن مناطق مشکوک عالی است، اما شما همچنان به تأیید از فراداده، بررسی‌های فشرده‌سازی مضاعف و سازگاری بافت نیاز دارید.

Q3:آیا شبکه‌های اجتماعی تجزیه و تحلیل پزشکی قانونی را خراب می‌کنند؟ آنها این کار را سخت‌تر می‌کنند. پلتفرم‌ها اندازه را تغییر می‌دهند، فراداده‌ها را حذف می‌کنند و دوباره فشرده می‌کنند، که می‌تواند سرنخ‌ها را پاک یا تقلید کند. شما همچنان می‌توانید سیگنال‌های مفیدی دریافت کنید، اما همیشه هنگام اهمیت دادن به یکپارچگی، فایل اصلی را درخواست کنید.

Q4:قابل اعتمادترین نشانه یک تصویر تولید شده توسط هوش مصنوعی تحت {JPEG} چیست؟ هیچ گلوله نقره‌ای واحدی وجود ندارد. یک الگوی سرنخ—نویز مصنوعی یکنواخت، اثرات بلوکی ناسازگار، تخریب بافت غیرواقعی در مو یا شاخ و برگ—همراه با فراداده ضعیف یا نورپردازی عجیب، گویاتر از هر آزمایش واحد است.

Q5:آیا باید از {PRNU} برای تأیید تصاویر با منشأ دوربین استفاده کنم؟ اگر عکس‌های مرجع تمیزی از همان دستگاه دارید، {PRNU} می‌تواند قدرتمند باشد. فقط به خاطر داشته باشید که فشرده‌سازی و تغییر اندازه قابلیت اطمینان آن را کاهش می‌دهد، بنابراین از آن در کنار {ELA}، تشخیص فشرده‌سازی مضاعف و شیوه‌های منشأ خوب استفاده کنید.