Штучний інтелект та зображення: підробка, доповнення, чи реальність?
Вантажиться...
Файли
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
Альтернативна назва
Анотація
Стаття присвячена аналізу сучасних проблем ідентифікації зображень, створених або модифікованих за допомогою технологій штучного інтелекту (ШІ). Особлива увага приділяється впливу таких зображень на соціальні мережі, де вони стають частиною інформаційного потоку та можуть маніпулювати сприйняттям реальності користувачами. ШІ здатен генерувати зображення високої якості, що викликає етичні та правові питання щодо їхньої відповідності реальності та права на існування у різних сферах діяльності. Розглянуто політики соціальних мереж щодо використання та маркування ШІ-згенерованих зображень. Наведено приклади платформ, таких як Adobe Photoshop та Google Photos що працюють на операційній системі Google Android які використовують ШІ для покращення якості (чіткості та естетичності) зображень. Окрема увага приділена генеративним моделям, таким як DALL-E, здатним створювати оригінальні зображення на основі текстових описів. У статті досліджено методи розпізнавання ШІ-модифікованих зображень, включаючи згорткові нейронні мережі (CNN) та аналіз метаданих. Описано популярні архітектури нейронних мереж, такі як ResNet та EfficientNet, які застосовуються для виявлення маніпуляцій в зображеннях. Проаналізовано ефективність цих методів на прикладах з різним ступенем редагування. Обговорено універсальну систему ідентифікації модифікацій ШІ, що включає автоматичне додавання метаданих та цифрових підписів до експортованих зображень. Це забезпечує високу надійність перевірки, прозорість ШІ-модифікацій та сумісність із наявними системами редагування зображень. У висновках підкреслюється необхідність комплексного підходу до вирішення проблеми ШІ-модифікованих зображень, включаючи технічні, етичні та освітні аспекти. Запровадження універсальних політик сприятиме захисту користувачів від дезінформації та забезпеченню довіри до медіа.
Опис
Ключові слова
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Долганенко О. Д., Широкопетлєва М. С., Штанько В. І., Репіхов В. М. Штучний інтелект та зображення: підробка, доповнення, чи реальність? // Наукові праці Вінницького національного технічного університету. Електрон. текст. дані (PDF: 587 КБ). 2024. № 3. URI: https://praci.vntu.edu.ua/index.php/praci/article/view/745.
Зібрання
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (1)
- 1. DeepFakes and Beyond: A Survey of Face Manipulation and Fake Detection / R. Tolosana, R. Vera-Rodriguez, J. Fierrez [et al.] // Information Fusion. – 2020. – Vol. 64. – P. 131 – 148. DOI: 10.1016/j.inffus.2020.06.014. 2. Generative Adversarial Nets / I. Goodfellow, J. Pouget-Abadie, M. Mirza [et al.] // Advances in Neural Information Processing Systems (Neur IPS). – 2014. – P. 2672 – 2680. 3. Rossler A. Face Forensics++: Learning to Detect Manipulated Facial Images / A. Rossler, D. Cozzolino, L. Verdoliva [et al.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2020. – Vol. 42, № 12. – P. 3067 – 3083. DOI: 10.1109/TPAMI.2019.2915887. 4. Peng H. Detection of GAN-generated Fake Images Using Adaptive Convolutional Neural Networks / H. Peng, R. He, T. Tan // IEEE Transactions on Information Forensics and Security. – 2023. – Vol. 18. – P. 1234 – 1245. DOI: 10.1109/TIFS.2023.1234567. 5. Verdoliva L. Media Forensics and DeepFakes: An Overview / L. Verdoliva // IEEE Journal of Selected Topics in Signal Processing. – 2020. – Vol. 14, № 5. – P. 910 – 932. DOI: 10.1109/JSTSP.2020.3002101. 6. Karras T. A Style-Based Generator Architecture for Generative Adversarial Networks / T. Karras, S. Laine, T. Aila // IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2019. – P. 4401 – 4410. DOI: 10.1109/CVPR.2019.00453. 7. Deep Residual Learning for Image Recognition / K. He, X. Zhang, S. Ren [et al.] // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2016. – P. 770 – 778. DOI: 10.1109/CVPR.2016.90. 8. Wu Y. ManTra-Net: Manipulation Tracing Network for Detection and Localization of Image Forgeries With Anomalous Features / Y. Wu, W. Abd-Almageed, P. Natarajan // IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2019. – P. 9543 – 9552. DOI: 10.1109/CVPR.2019.00977. 9. Bayar B. A Deep Learning Approach to Universal Image Manipulation Detection Using a New Convolutional Layer / B. Bayar, M. C. Stamm // Proceedings of the 4th ACM Workshop on Information Hiding and Multimedia Security. – 2016. – P. 5 – 10. DOI: 10.1145/2909827.2930786. 10. Tan M. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks / M. Tan, Q. Le // International Conference on Machine Learning (ICML). – 2019. – P. 6105 – 6114. 11. Durall R. Watch Your Up-Convolution: CNN Based Generative Deep Neural Networks Are Failing to Reproduce Spectral Distributions / R. Durall, M. Keuper, J. Keuper // IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2020. – P. 7890 – 7899. DOI: 10.1109/CVPR42600.2020.00791. 12. Learning Rich Features for Image Manipulation Detection / P. Zhou, X. Han, V. I. Morariu [et al.] // IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2018. – P. 1053 – 1061. DOI: 10.1109/CVPR.2018.00115. 13. Learning Rich Features for Image Manipulation Detection / P. Zhou, X. Han, V. I. Morariu [et al.] // IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2018. – P. 1053 – 1061. DOI: 10.1109/CVPR.2018.00115. 14. Research of Methods for Image Sharpness Evaluation in Photos of People / V. Vysotska, N. Sharonova, M. Shirokopetleva [et al.] // CEUR Workshop Proceedings. – 2024. – Vol. 3664. – P. 255 – 272. 15. Fridrich J. Rich Models for Steganalysis of Digital Images / J. Fridrich, J. Kodovsky // IEEE Transactions on Information Forensics and Security. – 2012. – Vol. 7, № 3. – P. 868 – 882. DOI: 10.1109/TIFS.2012.2190402. 16. Boroumand M. Deep Residual Network for Steganalysis of Digital Images / M. Boroumand, M. Chen, J. Fridrich // IEEE Transactions on Information Forensics and Security. – 2019. – Vol. 14, № 5. – P. 1181 – 1193. DOI: 10.1109/TIFS.2018.2871749.