Maks Plank Cəmiyyəti tərəfindən

redaktə edən: Gaby Clark , rəy verən: Andrew Zinin

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Özünənəzarət edilən üz saxtakarlığını aşkarlama yanaşmamız: Səsdən ifadəyə diffuziya modelimizi genişmiqyaslı, etiketsiz video kolleksiyasında əvvəlcədən öyrədirik. Daha sonra, mövzuya xas adapter daxil etməklə, əvvəlcədən öyrədilmiş modelimizi maraqlanan şəxsin (POI) istinad videoları üzərində fərdiləşdiririk. Nəhayət, POI-nin şübhəli videolarını diffuziya rekonstruksiya məsafəsi ilə təsdiqləyirik. Mənbə: arXiv (2026). DOI: 10.48550/arxiv.2601.02359

Süni intellekt vasitəsilə yaradılan şəkil və videolar, yəni “deepfake” adlanan şeylərin aşkarlanması getdikcə çətinləşir. Tokio Universiteti və Almaniyanın Saarbrüken şəhərindəki Maks Plank İnformatika İnstitutundan olan beynəlxalq tədqiqat qrupu, vizual artefaktları axtarmaqla deyil, üz ifadələrinin təbiiliyini təhlil etməklə manipulyasiya edilmiş videoları əvvəlki yanaşmalardan daha etibarlı şəkildə müəyyən edən bir metod hazırlayıb. Müəyyən edilmiş etalon məlumat dəstləri üzərində aparılan sınaqlarda bu yanaşma orta hesabla 95 faizdən çox aşkarlama dəqiqliyinə nail olub və bir çox mövcud detektorların sıradan çıxmasına səbəb olan manipulyasiyaları uğurla müəyyən edib.

Generativ süni intellekt artıq insan gözü ilə real qeydlərdən demək olar ki, fərqlənməyən şəkillər və videolar yarada bilər. Bu, bir çox faydalı tətbiqlərə imkan versə də, eyni zamanda dezinformasiya, şəxsiyyət oğurluğu və saxtakarlığa yol açır. Bu səbəbdən, bu cür dərin saxtakarlıqların etibarlı şəkildə aşkarlanması tədqiqatın vacib bir sahəsinə çevrilib.

Tokio Universiteti və Maks Plank İnformatika İnstitutundan bir qrup bu sahədə əhəmiyyətli bir irəliləyiş olan yeni bir yanaşma hazırladı. Tədqiqat, Tokio Universitetindən Kaede Şiohara və Toşihiko Yamasaki tərəfindən, Maks Plank İnformatika İnstitutunun baş tədqiqatçısı və 4D və Kvant Görmə qrupunun rəhbəri Vladislav Qolyanik ilə birlikdə aparılmışdır. Komanda öz metodunu 2026-cı ildə IEEE/CVF Kompüter Görmə və Nümunə Tanıma Konfransında ( CVPR ) təqdim edilən “ExposeAnyone: Personalized Audio-to-Expression Diffusion Models Are Robust Zero-Shot Face Forgery Detectors” adlı məqalədə təqdim etmişdir .Üz saxtakarlığını aşkarlamaq üçün ExposeAnyone çərçivəsi. Mənbə: arXiv (2026). DOI: 10.48550/arxiv.2601.02359

Vizual artefaktlardan kənara çıxmaq

İndiyə qədər tədqiqatçılar tez-tez güzəştlə üzləşirdilər. Ən dəqiq dərin saxta detektorlar adətən nəzarətli təlimdən istifadə etməklə öyrədilir, yəni həm orijinal, həm də manipulyasiya edilmiş videoları ehtiva edən böyük etiketli məlumat dəstlərindən öyrənirlər. Lakin, bu cür sistemlər bilmədən müəyyən saxtakarlıq texnikalarına — həddindən artıq uyğunlaşma kimi tanınan fenomenə — ixtisaslaşa bilər və əvvəllər görünməmiş manipulyasiya nümunələrini tanımaqda çətinlik çəkə bilər.

Öz-özünə nəzarət edilən yanaşmalar isə, əksinə, yalnız orijinal videolar üzərində öyrədilir və buna görə də yeni yaranan dərin saxtakarlıq texnologiyalarına qarşı daha güclü hesab olunur, lakin indiyə qədər onlar daha aşağı aşkarlama dəqiqliyinə nail olublar. Yeni metod, nəzarət edilən yanaşmalardan daha yaxşı nəticə verən, yüksək aşkarlama nisbətləri ilə möhkəmliyi birləşdirən ilk öz-özünə nəzarət edilən metoddur.

Şübhəli piksel səviyyəli artefaktları axtarmaq əvəzinə, yeni sistem insanın üz hərəkətlərinə diqqət yetirir. O, 53 parametrdən istifadə edərək üz ifadələrini riyazi olaraq təmsil edən və kompüter qrafikası və üz animasiyasında geniş istifadə olunan geniş yayılmış FLAME modelinə əsaslanır. Tədqiqatçılar aşkarlama modellərini 450 saatdan çox ictimaiyyətə açıq video görüntülər üzərində əvvəlcədən öyrədiblər və bu da ona səs parçasından müvafiq FLAME parametrlərini, yəni danışarkən təbii olaraq gözlənilən üz hərəkətlərini necə proqnozlaşdırmağı öyrənməyə imkan verib.

Daha sonra yanaşma yalnız təxminən 60 saniyəlik video görüntülərdən istifadə edərək müəyyən bir şəxsə uyğunlaşdırıla bilər və bu da onu fərdiləşdirilmiş dərin saxtakarlıq tədqiqatçısına çevirir. Təhlil zamanı sistem videoda görünən üz hərəkətlərini müşayiət olunan audio trekdən proqnozlaşdırılan FLAME parametrləri ilə müqayisə edir. İkisi arasındakı əhəmiyyətli fərqlər videonun manipulyasiya edildiyinə dair güclü bir göstəricidir.

“Özünə nəzarətli öyrənmə və FLAME əsaslı üz analizinin birləşməsi yanaşmamızı yeni dərin saxta generasiya metodlarına, eləcə də görüntü sıxılması və ya səs-küy kimi təhriflərə qarşı xüsusilə güclü edir”, – deyə Qolyanik bildirir.

Sora 2 ilə daha çətin bir sınaq

Təcrübələrdə metod bir neçə müəyyən edilmiş etalon məlumat dəstində orta hesabla 95 faizdən çox aşkarlama dəqiqliyinə nail oldu ki, bu da əvvəlki texnologiya səviyyəsini üstələyir. Xüsusilə çətin olan, tədqiqatçılar tərəfindən OpenAI-nin Sora 2 adlı frontier video generasiya modeli ilə yaradılan videolardan istifadə edərək hazırlanmış əlavə etalon məlumat dəsti idi. Əvvəlki dərin saxta detektorlar bu məlumat dəstində sikkə atmaqdan bir az daha yaxşı nəticələr əldə etsələr də, yeni metod yenə də manipulyasiya edilmiş videoların demək olar ki, 95 faizini düzgün müəyyən etdi.

Eyni zamanda, komanda yanaşmasının məhdudiyyətləri barədə şəffafdır. Sistem güclü aparat təminatı üzrə geniş ilkin təlim tələb edir və hazırda real vaxt rejimində tətbiqlər üçün uyğun deyil. Buna baxmayaraq, tədqiqatçılar hesab edirlər ki, onların işi dərin saxtakarlıq aşkarlama sistemlərinin növbəti nəsli üçün perspektivli bir istiqamətə yönəlib.

Nəşr detalları

Kaede Shiohara və digərləri, ExposeAnyone: Fərdiləşdirilmiş Audio-Oxşar Diffuziya Modelləri Sıfır Atışlı Güclü Üz Saxtakarlığı Detektorlarıdır, arXiv (2026). DOI: 10.48550/arxiv.2601.02359

Jurnal məlumatı: arXiv 

Əsas anlayışlar

İnsan mərkəzli süni intellekt interfeysləriGenerativ süni intellekt dezinformasiyalarıMaks Plank Cəmiyyəti tərəfindən təmin edilir