La detecció de falsificacions d'imatge s'ha convertit en una necessitat crítica per a empreses i organismes que gestionen grans volums de dades visuals, especialment en sectors com la ciberseguretat, la verificació d'identitat i l'auditoria forense. Els mètodes tradicionals basats en xarxes neuronals profundes, tot i que precisos, sovint requereixen GPUs costoses i grans conjunts de dades etiquetats, cosa que limita la seva adopció en entorns amb recursos restringits. En aquest context, proposem un enfocament lleuger i interpretable que utilitza exclusivament CPU, combinant anàlisi JPEG multiescala amb tècniques d'enginyeria de característiques. Aquest mètode no només és eficient, sinó que ofereix una transparència que permet als analistes entendre per què es classifica una imatge com a manipulada.
El nucli de la nostra proposta és l'Anàlisi de Nivell d'Error Multiescala (Multi-scale ELA), que avalua les compressions JPEG a set nivells de qualitat diferents. En comparar les diferències entre aquestes versions, podem detectar inconsistències en la història de compressió de la imatge, un indicador clàssic de regions inserides o modificades. A més, introduïm les relacions creuades de qualitat ELA (cross-quality ELA ratios), que capturen artefactes de doble compressió típics de splicings. Aquest conjunt es complementa amb altres característiques com l'entropia espacial, les bandes d'energia FFT, la densitat de vores, els residus SRM i el blocatge DCT, donant lloc a un vector de 405 dimensions.
Per validar el mètode, utilitzem el dataset CASIA v2.0, que presenta un conegut biaix de format: el 60% de les imatges manipulades estan en TIFF, mentre que les autèntiques són JPEG o BMP, sense mostres TIFF. Això permet que un classificador trivial basat únicament en l'extensió arribi a un AUC de 0,80. Per evitar aquest confusor, realitzem una avaluació controlada per format, utilitzant només el subconjunt JPEG (9.501 imatges). En aquestes condicions, el nostre mètode assoleix un AUC de 0,990 [IC 95%: 0,988–0,991] i un F1 de 0,905 mitjançant validació creuada estratificada de 5 plecs. Fins i tot sota una partició conservadora que respecta l'origen de les imatges (evitant que imatges relacionades apareguin en entrenament i test), l'AUC es manté en 0,976.
L'estudi d'ablació revela que l'ELA multiescala aporta el guany dominant (+0,180 sobre ELA de qualitat única), mentre que les relacions creuades proporcionen una detecció complementària de doble compressió. Aquests resultats demostren que el mètode detecta inconsistències en la història de compressió, no dreceres basades en el format de fitxer. A més, al ser executable completament en CPU, ofereix inferència en menys d'un segon, cosa que el fa ideal per a desplegaments en entorns amb recursos limitats o al núvol.
A Q2BSTUDIO, entenem que la seguretat de la informació i la intel·ligència artificial són pilars fonamentals per a les empreses modernes. Per això, incorporem tècniques com aquesta a les nostres solucions de aplicacions a mida que permeten als nostres clients automatitzar la verificació d'imatges sense dependre de maquinari especialitzat. Per exemple, una plataforma de moderació de contingut pot integrar aquest classificador com a part d'un flux de treball al núvol (AWS o Azure), combinant-lo amb agents d'IA per prendre decisions en temps real. Així mateix, els resultats interpretables faciliten la generació d'informes en eines de BI com Power BI, on els equips d'auditoria poden visualitzar les característiques que van portar a una detecció.
Des de la perspectiva de ciberseguretat, aquesta tècnica és especialment valuosa per detectar imatges manipulades en processos de verificació d'identitat o en evidències digitals. El nostre equip a Q2BSTUDIO desenvolupa programari a mida que integra aquests algoritmes en entorns corporatius, garantint que qualsevol empresa, independentment del seu pressupost, pugui protegir-se contra fraus visuals. A més, la possibilitat d'executar-lo en CPU facilita la seva inclusió en dispositius edge o en solucions on-premise, cosa que valoren especialment els clients amb requisits estrictes de privacitat.
El futur d'aquesta línia de treball passa per explorar més característiques derivades de la transformada Wavelet o de tècniques d'aprenentatge automàtic no supervisat que millorin la detecció de noves formes de falsificació. A Q2BSTUDIO, estem compromesos amb la innovació contínua i oferim serveis de consultoria i desenvolupament per ajudar les empreses a adoptar aquestes tecnologies. Si la teva organització necessita implementar sistemes de detecció de falsificacions o enfortir les seves capacitats de ciberseguretat, no dubtis a contactar-nos.
