Die Fehlerlevel-Analyse (ELA) ist eine Technik in der digitalen Bildforensik, die verwendet wird, um Regionen eines JPEG-Bildes zu identifizieren, die digital verändert wurden. Sie wurde 2007 von Neal Krawetz als heuristische Methode eingeführt, um Bilder schnell auf mögliche Manipulationen zu überprüfen. ELA basiert auf dem Prinzip, dass die JPEG-Kompression konsistente Fehlermuster über ein Bild hinterlässt; wenn eine Region bearbeitet und erneut gespeichert wird, ändert sich ihr Kompressionsfehlerlevel.
Funktionsweise
ELA funktioniert, indem das Bild mit einem bekannten Qualitätslevel, typischerweise 95 Prozent, erneut gespeichert und die Differenz zwischen dem Original und der erneut gespeicherten Version berechnet wird. Die Differenz wird dann skaliert, um eine visuelle Karte zu erzeugen. In einem unveränderten Bild sind die Fehlerlevel über das gesamte Bild hinweg annähernd gleichmäßig. In einem manipulierten Bild zeigt die bearbeitete Region oft ein anderes Fehlerlevel, da sie eine andere Kompressionshistorie durchlaufen hat. Dieser Kontrast kann den Ort der Veränderung aufdecken. Die Technik ist empfindlich gegenüber dem gewählten Qualitätslevel; niedrigere erneute Speicherqualitäten verstärken Unterschiede, erhöhen aber auch das Rauschen, während höhere Qualitäten subtile Bearbeitungen möglicherweise verschleiern.
Anwendungen
ELA wird häufig als vorläufiges Screening-Werkzeug in der digitalen Forensik verwendet. Es wurde im Journalismus eingesetzt, um Fotografien zu verifizieren, in rechtlichen Verfahren zur Untersuchung von Beweismitteln und von Online-Plattformen, um verdächtige Bilder zu kennzeichnen. Es ist auch eine der Methoden, die verwendet werden, um Bilder zu erkennen, die von generativen KI-Modellen erzeugt wurden, obwohl seine Wirksamkeit bei vollständig synthetischen Bildern begrenzt ist. Tools wie FotoForensics bieten ELA-Visualisierungen für die Öffentlichkeit an, sodass auch Nicht-Experten Bilder inspizieren können. Bilder, die von Modellen von OpenAI und Google DeepMind erzeugt wurden, können mit ELA untersucht werden, aber die Technik ist für sich genommen nicht endgültig und wird oft mit anderen forensischen Methoden kombiniert.
Einschränkungen
ELA hat mehrere Einschränkungen. Es ist weniger effektiv bei Bildern, die mit hohen Qualitätsleveln gespeichert wurden, da der Kompressionsfehler klein ist und Unterschiede schwerer zu erkennen sind. Es versagt auch bei Bildern, die mehrfach erneut gespeichert wurden, da die Fehlerlevel tendenziell wieder gleichmäßig werden. Legitime Operationen wie Zuschneiden, Größenänderung oder erneutes Kodieren können falsch positive Ergebnisse erzeugen, was zu falschen Beschuldigungen von Manipulation führen kann. Darüber hinaus ist ELA nicht zuverlässig für die Erkennung vollständig synthetischer Bilder, wie sie von generativen KI-Systemen erzeugt werden, da diese Bilder möglicherweise nicht dieselben JPEG-Artefakte wie natürliche Fotografien enthalten. Daher wird ELA am besten als Screening-Schritt und nicht als schlüssiger Beweis verwendet.
Bezug zum maschinellen Lernen
Mit dem Aufkommen von maschinellem Lernen und Deep Learning wurde ELA in automatisierte forensische Systeme integriert. Eine ELA-Karte kann als zusätzlicher Eingabekanal für einen neuralen Netzwerk-Klassifikator verwendet werden, um ihm zu helfen, zwischen authentischen und manipulierten Bildern zu unterscheiden. Einige Ansätze verwenden ein Residualnetzwerk, um die Fehlerlevel-Karte zu verarbeiten, oder ein U-Net, um manipulierte Regionen zu segmentieren. Forscher an Institutionen wie MIT CSAIL und Stanford AI Lab haben Kombinationen von ELA mit gelernten Merkmalen untersucht. In diesem Kontext dient ELA als handgefertigtes Merkmal, das die von Künstlicher Intelligenz-Modellen gelernten Darstellungen ergänzt. Das breitere Feld der Computer Vision, einschließlich der Arbeit von Forschern wie Alexei Efros an Berkeley AI Research, hat die Entwicklung solcher forensischer Techniken informiert. Akademische Gruppen an der Carnegie Mellon University und der University of Oxford haben ebenfalls zur Untersuchung kompressionsbasierter Forensik beigetragen und ELA weiter mit modernen analytischen Methoden integriert.