El análisis de nivel de error (ELA, por sus siglas en inglés) es una técnica en la informática forense digital utilizada para identificar regiones de una imagen JPEG que han sido alteradas digitalmente. Fue introducido por Neal Krawetz en 2007 como un método heurístico para examinar rápidamente imágenes en busca de posibles manipulaciones. ELA se basa en el principio de que la compresión JPEG deja patrones de error consistentes en toda una imagen; cuando una región se edita y se vuelve a guardar, su nivel de error de compresión cambia.
Cómo funciona
ELA funciona volviendo a guardar la imagen a un nivel de calidad conocido, típicamente del 95 por ciento, y calculando la diferencia entre la versión original y la versión re-guardada. La diferencia se escala luego para producir un mapa visual. En una imagen no alterada, los niveles de error son aproximadamente uniformes en toda la imagen. En una imagen manipulada, la región editada a menudo muestra un nivel de error diferente porque ha pasado por una historia de compresión distinta. Este contraste puede revelar la ubicación de la alteración. La técnica es sensible al nivel de calidad elegido; niveles de re-guardado más bajos amplifican las diferencias pero también aumentan el ruido, mientras que niveles más altos pueden ocultar ediciones sutiles.
Aplicaciones
ELA se utiliza comúnmente como una herramienta de cribado preliminar en la informática forense digital. Se ha aplicado en el periodismo para verificar fotografías, en procedimientos legales para examinar pruebas, y por plataformas en línea para señalar imágenes sospechosas. También es uno de los métodos utilizados para detectar imágenes producidas por inteligencia artificial generativa, aunque su efectividad en imágenes completamente sintéticas es limitada. Herramientas como FotoForensics proporcionan visualizaciones de ELA al público, permitiendo que no expertos inspeccionen imágenes. Las imágenes generadas por modelos de OpenAI y Google DeepMind pueden examinarse con ELA, pero la técnica no es definitiva por sí sola y a menudo se combina con otros métodos forenses.
Limitaciones
ELA tiene varias limitaciones. Es menos efectivo en imágenes guardadas a niveles de calidad altos, porque el error de compresión es pequeño y las diferencias se vuelven más difíciles de detectar. También falla en imágenes que han sido re-guardadas múltiples veces, ya que los niveles de error tienden a volverse uniformes nuevamente. Operaciones legítimas como recortar, redimensionar o re-codificar pueden producir falsos positivos, lo que lleva a acusaciones incorrectas de manipulación. Además, ELA no es fiable para detectar imágenes completamente sintéticas, como las producidas por sistemas de inteligencia artificial generativa, porque estas imágenes pueden no contener los mismos artefactos JPEG que las fotografías naturales. Como resultado, ELA se utiliza mejor como un paso de cribado en lugar de como evidencia concluyente.
Relación con el aprendizaje automático
Con el auge del aprendizaje automático y el aprendizaje profundo, ELA se ha incorporado en sistemas forenses automatizados. Un mapa de ELA puede utilizarse como un canal de entrada adicional para un clasificador de red neuronal, ayudándole a distinguir entre imágenes auténticas y manipuladas. Algunos enfoques utilizan una red residual para procesar el mapa de nivel de error, o una U-Net para segmentar regiones manipuladas. Investigadores en instituciones como MIT CSAIL y Stanford AI Lab han explorado combinaciones de ELA con características aprendidas. En este contexto, ELA sirve como una característica diseñada manualmente que complementa las representaciones aprendidas por modelos de inteligencia artificial. El campo más amplio de la visión por computadora, incluido el trabajo de investigadores como Alexei Efros en Berkeley AI Research, ha informado el desarrollo de tales técnicas forenses. Grupos académicos en Carnegie Mellon University y Oxford University también han contribuido al estudio de la forense basada en compresión, integrando aún más ELA con métodos analíticos modernos.