ОБНАРУЖЕНИЕ СИНТЕТИЧЕСКИХ ИЗОБРАЖЕНИЙ ПО EXIF-МЕТАДАННЫМ И XMP-ТЕГАМ С ПОМОЩЬЮ ГРАДИЕНТНОГО БУСТИНГА

Белкин У. В. Приходский А. А. Сериков С. А

Об авторах

Белкин У. В. Приходский А. А. Сериков С. А

Белкин Ульян Вячеславович – аспирант, ассистент образовательного офиса инженерной школы, Санкт-Петербургский государственный университет аэрокосмического приборостроения (ГУАП), 190000, Россия, Санкт-Петербург, ул. Большая Морская, д. 67, лит. А.: +7 (995) 830 -15-49. E -mail:. Область научных интересов: системы распознавания дипфейков, роевое управление, робототехника, искусственный интеллект. ORCID: 0009-0003-2433-5649

Приходский Андрей Александрович – аспирант, ассистент кафедры электромеханики и робототехники, Санкт-Петербургский государственный университет аэрокосмического приборостроения (ГУАП), 190000, Россия, Санкт-Петербург, ул. Большая Морская, д. 67, лит. А.: +7 (911) 230 -74-52. E -mail: Область научных интересов: групповая робототехн ика, нечеткое управление, методы машинного обучения. ORCID: 0009-0009-5625-6623.

Скачать PDF

УДК: 004.056.53:004.932
DOI: 10.24412/2413-7383-2026-2-41-54-61
Язык: Русский

Аннотация: Распространение генеративных моделей усложняет верификацию подлинности изображений. Существующие пиксельные детекторы теряют точность при изменении разрешения и сжатии. Решение. Предложен метод MetaDetect, извлекающий статистические признаки из EXIF и XMP-блоков и классифицирующий их градиентным бустингом. Результаты показали, что на выборке из 40 000 изображений AUC = 0,963, F1 = 0,901; при отсутствующих тегах качество сохраняется выше 0,88. Данный подход является применимым, как первичный фильтр в судебной экспертизе и модерации контента.

Ключевые слова: обнаружение дипфейков, EXIF-метаданные, XMP-теги, градиентный бустинг, цифровая криминалистика, верификация изображений.

Список литературы

1. Wang S.-Y. Wang O. Zhang R. Owens A. Efros A. A. CNN-generated images are surprisingly easy to spot... for now // Proc. IEEE/CVF Conf. on Computer Vision and Pattern Recognition (CVPR). 2020. P. 8695–8704. DOI: 10.1109/CVPR42600.2020.00872.
2. Rossler A. Cozzolino D. Verdoliva L. Riess C. Thies J. Niessner M. FaceForensics++: Learning to Detect Manipulated Facial Images // Proc. IEEE/CVF International Conf. on Computer Vision (ICCV). 2019. P. 1–11. DOI: 10.1109/ICCV.2019.00009. Обнаружение синтетических изображений по EXIF-метаданным и XMP-тегам…
3. Huh M. Liu A. Owens A. Efros A. A. Fighting Fake News: Image Splice Detection via Learned Self- Consistency // Proc. European Conf. on Computer Vision (ECCV). 2018. P. 101–117. DOI: 10.1007/978- 3-030-01252-6_7.
4. Farid H. Photo Forensics. Cambridge: MIT Press, 2016. 336 p. ISBN 978-0262035347.
5. Afchar D. Nozick V. Yamagishi J. Echizen I. MesoNet: a Compact Facial Video Forgery Detection Network // Proc. IEEE International Workshop on Information Forensics and Security (WIFS). 2018. P. 1–
6. DOI: 10.1109/WIFS.2018.8630761.
7. Chollet F. Xception: Deep Learning with Depthwise Separable Convolutions // Proc. IEEE Conf. on Computer Vision and Pattern Recognition (CVPR). 2017. P. 1251–1258. DOI: 10.1109/CVPR.2017.195.
8. Tan M. Le Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks // Proc. 36th International Conf. on Machine Learning (ICML). 2019. Vol. 97. P. 6105–6114.
9. Frank J. Eisenhofer T. Schonherr L. Fischer A. Kolossa D. Holz T. Leveraging Frequency Analysis for Deep Fake Image Recognition // Proc. 37th International Conf. on Machine Learning (ICML). 2020. Vol. 119. P. 3247–3258.
10. Dolhansky B. Bitton J. Pflaum B. Lu J. Howes R. Wang M. Ferrer C. C. The DeepFake Detection Challenge (DFDC) Dataset // arXiv preprint. 2020. arXiv:2006.07397.
11. Verdoliva L. Media Forensics and DeepFakes: An Overview // IEEE Journal of Selected Topics in Signal Processing. 2020. Vol. 14, № 5. P. 910–932. DOI: 10.1109/JSTSP.2020.3002101.
12. Rombach R. Blattmann A. Lorenz D. Esser P. Ommer B. High-Resolution Image Synthesis with Latent Diffusion Models // Proc. IEEE/CVF Conf. on Computer Vision and Pattern Recognition (CVPR). 2022. P. 10684–10695. DOI: 10.1109/CVPR52688.2022.01042.
13. Ho J. Jain A. Abbeel P. Denoising Diffusion Probabilistic Models // Advances in Neural Information Processing Systems (NeurIPS). 2020. Vol. 33. P. 6840–6851.
14. Chen T. Guestrin C. XGBoost: A Scalable Tree Boosting System // Proc. 22nd ACM SIGKDD International Conf. on Knowledge Discovery and Data Mining. 2016. P. 785–794. DOI: 10.1145/2939672.2939785.
15. Breiman L. Random Forests // Machine Learning. 2001. Vol. 45, № 1. P. 5–32. DOI: 10.1023/A:1010933404324.
16. Dang-Nguyen D.-T. Pasquini C. Conotter V. Boato G. RAISE: A Raw Images Dataset for Digital Image Forensics // Proc. 6th ACM Multimedia Systems Conf. 2015. P. 219–224. DOI: 10.1145/2713168.2713194.
17. Бабичева, М. В. Автоматизация процедуры распознавания фальшивых изображений посредством нейронных сетей / М. В. Бабичева, И. А. Третьяков // Проблемы искусственного интеллекта. 2025. № 1(36). С. 94-105. DOI 10.24412/2413-7383-94-105. EDN GNSJQU.
18. Построение предсказательных моделей параметров давления воды в водораспределительных сетях

Выпуск: 2(41)'2026
Раздел: СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ, СТАТИСТИКА
Как цитировать: Белкин У. В. Приходский А. А. Сериков С. А. ОБНАРУЖЕНИЕ СИНТЕТИЧЕСКИХ ИЗОБРАЖЕНИЙ ПО EXIF-МЕТАДАННЫМ И XMP-ТЕГАМ С ПОМОЩЬЮ ГРАДИЕНТНОГО БУСТИНГА // Проблемы искусственного интеллекта. - 2026. - № 2 (41). - С. 54-61. - https://paijournal.guiaidn.ru/ru/2026/2(41)-5.html

Назад к выпуску 2(41)'2026