L'analyse du niveau d'erreur (ELA) est une technique de criminalistique numérique des images utilisée pour identifier les régions d'une image JPEG qui ont été numériquement modifiées. Elle a été introduite par Neal Krawetz en 2007 comme méthode heuristique pour examiner rapidement les images à la recherche d'une falsification potentielle. L'ELA repose sur le principe que la compression JPEG laisse des motifs d'erreur cohérents sur l'ensemble d'une image ; lorsqu'une région est modifiée puis réenregistrée, son niveau d'erreur de compression change.
Comment cela fonctionne
L'ELA fonctionne en réenregistrant l'image à un niveau de qualité connu, généralement 95 pour cent, et en calculant la différence entre l'image originale et la version réenregistrée. La différence est ensuite mise à l'échelle pour produire une carte visuelle. Dans une image non modifiée, les niveaux d'erreur sont à peu près uniformes sur toute l'image. Dans une image falsifiée, la région modifiée présente souvent un niveau d'erreur différent car elle a subi un historique de compression différent. Ce contraste peut révéler l'emplacement de la modification. La technique est sensible au niveau de qualité choisi ; des qualités de réenregistrement plus faibles amplifient les différences mais augmentent également le bruit, tandis que des qualités plus élevées peuvent masquer des modifications subtiles.
Applications
L'ELA est couramment utilisée comme outil de dépistage préliminaire en criminalistique numérique. Elle a été appliquée dans le journalisme pour vérifier des photographies, dans les procédures judiciaires pour examiner des preuves, et par les plateformes en ligne pour signaler des images suspectes. C'est également l'une des méthodes utilisées pour détecter les images produites par des modèles d'intelligence artificielle générative, bien que son efficacité sur les images entièrement synthétiques soit limitée. Des outils tels que FotoForensics fournissent des visualisations ELA au public, permettant aux non-experts d'inspecter les images. Les images générées par des modèles de OpenAI et Google DeepMind peuvent être examinées avec l'ELA, mais la technique n'est pas définitive à elle seule et est souvent combinée avec d'autres méthodes de criminalistique.
Limites
L'ELA présente plusieurs limites. Elle est moins efficace sur les images enregistrées à des niveaux de qualité élevés, car l'erreur de compression est faible et les différences deviennent plus difficiles à détecter. Elle échoue également sur les images qui ont été réenregistrées plusieurs fois, car les niveaux d'erreur tendent à redevenir uniformes. Des opérations légitimes telles que le recadrage, le redimensionnement ou le réencodage peuvent produire des faux positifs, conduisant à des accusations incorrectes de falsification. De plus, l'ELA n'est pas fiable pour détecter les images entièrement synthétiques, comme celles produites par les systèmes d'intelligence artificielle générative, car ces images peuvent ne pas contenir les mêmes artefacts JPEG que les photographies naturelles. Par conséquent, l'ELA est mieux utilisée comme étape de dépistage plutôt que comme preuve concluante.
Relation avec l'apprentissage automatique
Avec l'essor de l'apprentissage automatique et de l'apprentissage profond, l'ELA a été intégrée dans les systèmes de criminalistique automatisés. Une carte ELA peut être utilisée comme canal d'entrée supplémentaire pour un classificateur à réseau de neurones, l'aidant à distinguer les images authentiques des images falsifiées. Certaines approches utilisent un réseau résiduel pour traiter la carte du niveau d'erreur, ou un U-Net pour segmenter les régions falsifiées. Des chercheurs d'institutions telles que le MIT CSAIL et le Stanford AI Lab ont exploré des combinaisons de l'ELA avec des caractéristiques apprises. Dans ce contexte, l'ELA sert de caractéristique artisanale qui complète les représentations apprises par les modèles d'intelligence artificielle. Le domaine plus large de la vision par ordinateur, y compris les travaux de chercheurs tels que Alexei Efros à Berkeley AI Research, a informé le développement de telles techniques de criminalistique. Des groupes académiques à l'université Carnegie Mellon et l'université d'Oxford ont également contribué à l'étude de la criminalistique basée sur la compression, intégrant davantage l'ELA avec des méthodes analytiques modernes.