त्रुटि स्तर विश्लेषण (Error level analysis - ELA) डिजिटल छवि फोरेंसिक में एक तकनीक है जिसका उपयोग JPEG छवि के उन क्षेत्रों की पहचान करने के लिए किया जाता है जिन्हें डिजिटल रूप से बदला गया है। इसे 2007 में नील क्रावेट्ज़ द्वारा संभावित छेड़छाड़ के लिए छवियों की त्वरित जांच करने की एक अनुमानित विधि के रूप में पेश किया गया था। ELA इस सिद्धांत पर काम करता है कि JPEG संपीड़न एक छवि में लगातार त्रुटि पैटर्न छोड़ता है; जब किसी क्षेत्र को संपादित और पुनः सहेजा जाता है, तो उसका संपीड़न त्रुटि स्तर बदल जाता है।
यह कैसे काम करता है
ELA छवि को एक ज्ञात गुणवत्ता स्तर, आमतौर पर 95 प्रतिशत, पर पुनः सहेजकर और मूल तथा पुनः सहेजे गए संस्करण के बीच अंतर की गणना करके काम करता है। फिर अंतर को एक दृश्य मानचित्र बनाने के लिए स्केल किया जाता है। एक अपरिवर्तित छवि में, त्रुटि स्तर पूरी छवि में लगभग समान होते हैं। एक छेड़छाड़ की गई छवि में, संपादित क्षेत्र अक्सर एक अलग त्रुटि स्तर दिखाता है क्योंकि यह एक अलग संपीड़न इतिहास से गुजरा है। यह विपरीतता परिवर्तन के स्थान को प्रकट कर सकती है। यह तकनीक चुनी गई गुणवत्ता स्तर के प्रति संवेदनशील है; कम पुनः-सहेजने की गुणवत्ता अंतर को बढ़ाती है लेकिन शोर भी बढ़ाती है, जबकि उच्च गुणवत्ता सूक्ष्म संपादनों को अस्पष्ट कर सकती है।
अनुप्रयोग
ELA का उपयोग आमतौर पर डिजिटल फोरेंसिक में एक प्रारंभिक जांच उपकरण के रूप में किया जाता है। इसे पत्रकारिता में तस्वीरों को सत्यापित करने, कानूनी कार्यवाही में साक्ष्य की जांच करने, और ऑनलाइन प्लेटफार्मों द्वारा संदिग्ध छवियों को चिह्नित करने के लिए लागू किया गया है। यह Generative AI मॉडल द्वारा निर्मित छवियों का पता लगाने के लिए उपयोग की जाने वाली विधियों में से एक है, हालांकि पूरी तरह से सिंथेटिक छवियों पर इसकी प्रभावशीलता सीमित है। फोटोफोरेंसिक्स जैसे उपकरण आम जनता को ELA विज़ुअलाइज़ेशन प्रदान करते हैं, जिससे गैर-विशेषज्ञ छवियों का निरीक्षण कर सकते हैं। OpenAI और Google DeepMind के मॉडल द्वारा उत्पन्न छवियों की ELA से जांच की जा सकती है, लेकिन यह तकनीक अपने आप में निर्णायक नहीं है और अक्सर अन्य फोरेंसिक विधियों के साथ जोड़ी जाती है।
सीमाएँ
ELA की कई सीमाएँ हैं। यह उच्च गुणवत्ता स्तर पर सहेजी गई छवियों पर कम प्रभावी है, क्योंकि संपीड़न त्रुटि छोटी होती है और अंतर का पता लगाना कठिन हो जाता है। यह उन छवियों पर भी विफल रहता है जिन्हें कई बार पुनः सहेजा गया है, क्योंकि त्रुटि स्तर फिर से समान हो जाते हैं। क्रॉपिंग, आकार बदलना, या पुनः-एन्कोडिंग जैसे वैध संचालन गलत सकारात्मक परिणाम उत्पन्न कर सकते हैं, जिससे छेड़छाड़ के गलत आरोप लग सकते हैं। इसके अलावा, ELA पूरी तरह से सिंथेटिक छवियों का पता लगाने के लिए विश्वसनीय नहीं है, जैसे कि Generative AI प्रणालियों द्वारा निर्मित, क्योंकि इन छवियों में प्राकृतिक तस्वीरों के समान JPEG कलाकृतियाँ नहीं हो सकती हैं। परिणामस्वरूप, ELA का उपयोग निर्णायक साक्ष्य के बजाय एक स्क्रीनिंग चरण के रूप में सबसे अच्छा किया जाता है।
मशीन लर्निंग से संबंध
Machine learning और Deep learning के उदय के साथ, ELA को स्वचालित फोरेंसिक प्रणालियों में शामिल किया गया है। एक ELA मानचित्र का उपयोग Neural network क्लासिफायर के लिए एक अतिरिक्त इनपुट चैनल के रूप में किया जा सकता है, जो इसे प्रामाणिक और छेड़छाड़ की गई छवियों के बीच अंतर करने में मदद करता है। कुछ दृष्टिकोण त्रुटि-स्तर मानचित्र को संसाधित करने के लिए Residual Network (ResNet) का उपयोग करते हैं, या छेड़छाड़ किए गए क्षेत्रों को विभाजित करने के लिए U-Net का उपयोग करते हैं। MIT CSAIL और Stanford AI Lab जैसे संस्थानों के शोधकर्ताओं ने ELA के संयोजन को सीखी गई विशेषताओं के साथ खोजा है। इस संदर्भ में, ELA एक हस्त-निर्मित विशेषता के रूप में कार्य करता है जो Artificial intelligence मॉडल द्वारा सीखे गए प्रतिनिधित्व का पूरक है। कंप्यूटर विज़न का व्यापक क्षेत्र, जिसमें BAIR (Berkeley AI Research) में Alexei Efros जैसे शोधकर्ताओं का काम शामिल है, ने ऐसी फोरेंसिक तकनीकों के विकास को सूचित किया है। Carnegie Mellon University और University of Oxford के शैक्षणिक समूहों ने भी संपीड़न-आधारित फोरेंसिक के अध्ययन में योगदान दिया है, जिससे ELA को आधुनिक विश्लेषणात्मक तरीकों के साथ और एकीकृत किया गया है।