近期，来自纽约大学坦顿工程学院（NYU坦顿）的研究人员开发了一种使用人工智能（AI）对从采集到传输整个成像流程里的图像进行认证的实验技术，它可以阻止照片和视频被复杂的方法改变。研究人员表示，可以通过培训神经成像管道使其取代数码相机的内部结构，并同时为高保真度的照片开发和可靠物源分析进行优化。实验的结果表明，在图像质量接近无损失的情况下，他们的原型成像管道可将检测到操作的机率从大约45%增加到90%以上。

该新方法的特点是神经网络替代了传统的照片开发网络，在图像采集的过程中，神经网络可将在实验中观察到的伪像直接引入图像。这些伪像就像数码水印，它们对被处理的操作极其灵敏，借此能揭示照片处理的存在和照片的特征。该过程针对相机内部嵌入进行了优化，而图像失真问题则可以通过在线照片共享服务解决。

图1 物源驱动的优化反馈：为了防止照片和视频被复杂、深度伪造的方法改变，纽约大学坦顿工程学院（NYU坦顿）的研究人员开发了一种技术——用人工智能（AI）来验证从采集到传输整个成像管道中的图像。测试结果表明，原型管道可将检测到操作的几率从大约45%提高到90%以上且图像质量不会降低。在此致谢提供图片的NYU坦顿分校

教授Nasir Memon表示：“如果相机本身产生的图像对篡改的操作更为敏感，那么其他任何调整都将很有可能被检测出来。虽然这些水印可以在后续处理中被保留下来，但是在图像被修改时它们会非常脆弱。如果图像被更改，水印将很有可能被破坏。”

NYU坦顿的研究团队认为，现代数字成像已经有了依赖于机器学习的趋势，并且在未来几年中，人工智能驱动的成像流程很可能完全取代传统的数字成像流程。教授Memon表示：“这种转变的发生让我们有机会大幅改变下一代设备在图像完整性和验证方面的功能。针对取证进行优化的成像流程可以帮助设备在真实和虚假之间难以准确划定界限的区域恢复信任。“

虽然该方法在测试中取得了预期的成功，但研究人员表示，仍需要展开进一步的工作来改进系统。目前该解决方案开源： 访问地址。该研究将于2019年6月16日至20日在加利福尼亚州长滩举行的计算机视觉与模式识别会议上发表： 详情访问。

本文受译者委托，享有该文的专有出版权，其他出版单位或网站如需转载，请与本站联系，联系email：mail#opticsjournal.net。否则，本站将保留进一步采取法律手段的权利。