エラー水準解析（ELA）は、デジタル画像鑑識における手法の一つで、JPEG画像内でデジタル改変された領域を特定するために用いられる。2007年にニール・クラウェッツによって導入され、画像の改ざんの可能性を迅速にスクリーニングするためのヒューリスティックな手法として提案された。ELAは、JPEG圧縮が画像全体に一貫した誤差パターンを残すという原理に基づいており、領域が編集されて再保存されると、その圧縮誤差水準が変化する。
仕組み
ELAは、画像を既知の品質水準（通常は95パーセント）で再保存し、元の画像と再保存された画像の差分を計算することで機能する。その差分はスケーリングされ、視覚的なマップが生成される。改変されていない画像では、誤差水準は画像全体でほぼ均一である。改ざんされた画像では、編集された領域は異なる圧縮履歴を経ているため、しばしば異なる誤差水準を示す。このコントラストにより、改変箇所の位置が明らかになることがある。この手法は選択された品質水準に敏感であり、再保存時の品質を低くすると差分が増幅されるがノイズも増加し、品質を高くすると微妙な編集が隠れてしまう可能性がある。
応用
ELAは、デジタル鑑識における予備的なスクリーニングツールとして一般的に使用されている。ジャーナリズムでは写真の検証に、法的手続きでは証拠の検査に、オンラインプラットフォームでは不審な画像のフラグ付けに応用されている。また、Generative AIモデルによって生成された画像を検出するための手法の一つでもあるが、完全に合成された画像に対する有効性は限定的である。FotoForensicsなどのツールはELAの可視化を一般公開しており、専門家でなくても画像を検査できる。OpenAIやGoogle DeepMindのモデルによって生成された画像はELAで検査されることがあるが、この手法は単独では決定的ではなく、他の鑑識手法と組み合わせて使用されることが多い。
限界
ELAにはいくつかの限界がある。高品質水準で保存された画像では、圧縮誤差が小さく差分の検出が難しくなるため、効果が低下する。また、複数回再保存された画像では誤差水準が再び均一になる傾向があるため、この手法は機能しない。トリミング、リサイズ、再エンコードなどの正当な操作は偽陽性を生じさせ、改ざんの誤った告発につながる可能性がある。さらに、ELAはGenerative AIシステムによって生成された完全に合成された画像の検出には信頼性が低い。なぜなら、これらの画像は自然な写真と同じJPEGアーティファクトを含まない可能性があるからである。その結果、ELAは決定的な証拠としてではなく、スクリーニングのステップとして使用するのが最適である。
機械学習との関連
Machine learningとDeep learningの台頭に伴い、ELAは自動化された鑑識システムに組み込まれている。ELAマップはNeural network分類器への追加の入力チャネルとして使用でき、真正な画像と改ざんされた画像の区別に役立つ。一部のアプローチでは、誤差水準マップを処理するためにResidual Network (ResNet)を使用し、改ざん領域をセグメント化するためにU-Netを使用する。MIT CSAILやStanford AI Labなどの機関の研究者は、ELAと学習された特徴の組み合わせを探求してきた。この文脈では、ELAはArtificial intelligenceモデルによって学習された表現を補完する手作りの特徴として機能する。BAIR (Berkeley AI Research)のAlexei Efrosなどの研究者によるコンピュータビジョンの広範な分野も、このような鑑識技術の発展に情報を提供してきた。Carnegie Mellon UniversityやUniversity of Oxfordの学術グループも圧縮ベースの鑑識の研究に貢献しており、ELAを現代の分析方法とさらに統合している。