为了阻止改变照片和视频的复杂方法，纽约大学Tandon工程学院的研究人员展示了一种实验技术，用于使用人工智能(AI)验证从采集到交付的整个管道中的图像。

在测试中，这种原型成像管道将检测操作的几率从大约45%增加到超过90%，而不会牺牲图像质量。

确定照片或视频是否真实正变得越来越成问题。用于改变照片和视频的复杂技术变得如此容易接近，所谓的“深度假货” - 操纵的照片或视频非常有说服力，通常包括名人或政治人物 - 已经变得司空见惯。

Pawel Korus是纽约大学Tandon计算机科学与工程系的研究助理教授，他开创了这种方法。它用神经网络(一种AI形式)取代了典型的照片开发流程，在图像采集时将精心制作的工件直接引入图像。这些伪像类似于“数字水印”，对操纵非常敏感。

“与以前使用的水印技术不同，这些人工智能学习的文物不仅可以揭示照片操作的存在，还可以揭示它们的特征，”Korus说。

该过程针对相机嵌入进行了优化，可以承受在线照片共享服务所应用的图像失真。

将这些系统集成到相机中的优点是显而易见的。

“如果摄像机本身产生的图像对篡改更敏感，那么任何调整都将被发现的概率很高，”纽约大学Tandon计算机科学与工程教授，与Korus共同撰写的一篇论文的Nasir Memon说。详细介绍了这项技术。“这些水印可以在后期处理中存活下来;但是，它们在修改时非常脆弱：如果你改变图像，水印就会破裂，”Memon说。

大多数其他确定图像真实性的尝试只检查最终产品 - 这是一项众所周知的艰巨任务。

相比之下，Korus和Memon认为现代数字成像已经依赖于机器学习。在智能手机上拍摄的每张照片都经过近乎即时的处理，以适应低光照和稳定图像，这两种照片均由板载AI提供。在未来几年，人工智能驱动的流程很可能完全取代传统的数字成像流水线。随着这种转变的发生，Memon说“我们有机会在图像完整性和身份验证方面大幅改变下一代设备的功能。针对取证进行优化的成像流水线可以帮助恢复信任元素真实和虚假之间的界限很难自信。“

Korus和Memon指出，尽管他们的方法在测试中显示出前景，但还需要额外的工作来优化系统。此解决方案是开源的，可以通过https://github.com/pkorus/neural-imaging访问。研究人员将于6月在加利福尼亚州长滩举行的计算机视觉和模式识别会议上发表他们的论文“神经成像管道的内容认证：复杂分销渠道中照片来源的端到端优化”。