Adobe emprega machine learning para identificar imagens alteradas digitalmente

Já tem muita gente preocupada com o uso de inteligências artificiais na manipulação de fotos e vídeos, resultando em imagens falsas com toques de realidade — o que é particularmente preocupante em uma era em que fake news são um problema crescente. Agora, a Adobe decidiu empregar o machine learning como parte de um estudo para automaticamente detectar imagens modificadas em softwares como o Photoshop.

O estudo mostra, na verdade, como tal tecnologia pode aprimorar o trabalho de analistas forenses, não se tratando, ao menos por enquanto, de um produto comercializável. Pode parecer meio controverso que uma empresa como a Adobe, que é dona dos principais programas de edição de imagens, tenha justamente pensado em criar uma tecnologia para identificar imagens modificadas, mas a ideia, segundo a empresa, é "desenvolver uma tecnologia que ajude a monitorar e verificar a autenticidade de mídias digitais".

O machine learning da Adobe, nesta pesquisa, conseguiu identificar três dos tipos mais comuns de imagens manipuladas: duas ou mais imagens cortadas e combinadas para gerar uma versão final, objetos clonados em uma imagem, e objetos removidos de uma imagem. Na identificação "na raça" desse tipo de alteração, especialistas em perícia digital costumam procurar por pistas em camadas ocultas da imagem em questão, pois, quando esses tipos de edição são feitos, eles deixam rastros como inconsistências nas variações de cor e brilho, gerando ruídos diferentes.

A Adobe, então, ensinou seu algoritmo com um grande conjunto de dados de imagens editadas, para identificar os padrões comuns resultantes de alterações. O resultado mostrou uma taxa de acerto maior em alguns testes do que sistemas semelhantes, por enquanto. "O benefício dessas novas abordagens de machine learning é que elas detêm o potencial para descobrir artefatos que não são óbvios e não são conhecidos anteriormente", explicou o perito Hany Farid ao The Verge. Ele segue explicando que, contudo, "a desvantagem dessas abordagens é que elas são tão boas quanto os dados de treinamento e, ao menos por enquanto, têm menor probabilidade de aprender artefatos de nível mais alto, como inconsistências na geometria de sombras e reflexos", por exemplo.

Na foto abaixo, vemos um exemplo mostrando imagens autênticas, manipuladas e os fluxos de RGB e de ruído usados para detectar manipulações:

Fonte: The Verge, Adobe