오류 수준 분석(ELA)은 디지털 이미지 포렌식에서 JPEG 이미지의 디지털로 조작된 영역을 식별하는 데 사용되는 기법이다. 이는 2007년 닐 크라베츠(Neal Krawetz)가 잠재적 변조 가능성이 있는 이미지를 신속하게 선별하기 위한 휴리스틱 방법으로 도입했다. ELA는 JPEG 압축이 이미지 전반에 걸쳐 일관된 오류 패턴을 남긴다는 원리를 기반으로 하며, 영역이 편집되고 다시 저장되면 해당 영역의 압축 오류 수준이 변경된다.
작동 원리
ELA는 이미지를 알려진 품질 수준(일반적으로 95%)으로 다시 저장하고 원본과 다시 저장된 버전 간의 차이를 계산하여 작동한다. 그런 다음 차이를 확장하여 시각적 지도를 생성한다. 변조되지 않은 이미지에서는 오류 수준이 이미지 전체에 걸쳐 대략 균일하다. 변조된 이미지에서는 편집된 영역이 다른 압축 이력을 거쳤기 때문에 종종 다른 오류 수준을 보인다. 이러한 대비는 변조 위치를 드러낼 수 있다. 이 기법은 선택된 품질 수준에 민감하다. 낮은 재저장 품질은 차이를 증폭하지만 노이즈도 증가시키며, 높은 품질은 미세한 편집을 가릴 수 있다.
응용 분야
ELA는 디지털 포렌식에서 예비 선별 도구로 일반적으로 사용된다. 저널리즘에서 사진 검증, 법적 절차에서 증거 검토, 온라인 플랫폼에서 의심스러운 이미지 플래그 지정에 적용되어 왔다. 또한 Generative AI 모델이 생성한 이미지를 감지하는 데 사용되는 방법 중 하나이지만, 완전히 합성된 이미지에 대한 효과는 제한적이다. FotoForensics와 같은 도구는 ELA 시각화를 대중에게 제공하여 비전문가도 이미지를 검사할 수 있게 한다. OpenAI 및 Google DeepMind의 모델이 생성한 이미지는 ELA로 검사할 수 있지만, 이 기법은 단독으로 결정적이지 않으며 종종 다른 포렌식 방법과 결합된다.
한계
ELA에는 여러 한계가 있다. 높은 품질 수준으로 저장된 이미지에서는 압축 오류가 작아 차이를 감지하기 어려워 효과가 떨어진다. 또한 여러 번 다시 저장된 이미지에서는 오류 수준이 다시 균일해지는 경향이 있어 실패한다. 자르기, 크기 조정, 재인코딩과 같은 합법적인 작업은 오탐지를 생성하여 잘못된 변조 주장으로 이어질 수 있다. 더 나아가 ELA는 Generative AI 시스템이 생성한 것과 같은 완전히 합성된 이미지를 감지하는 데 신뢰할 수 없다. 이러한 이미지는 자연 사진과 동일한 JPEG 아티팩트를 포함하지 않을 수 있기 때문이다. 결과적으로 ELA는 결정적 증거보다는 선별 단계로 사용하는 것이 가장 좋다.
머신 러닝과의 관계
Machine learning 및 Deep learning의 부상과 함께 ELA는 자동화된 포렌식 시스템에 통합되었다. ELA 지도는 Neural network 분류기에 추가 입력 채널로 사용되어 진위 이미지와 변조 이미지를 구별하는 데 도움을 줄 수 있다. 일부 접근 방식은 Residual Network (ResNet)를 사용하여 오류 수준 지도를 처리하거나 U-Net을 사용하여 변조 영역을 분할한다. MIT CSAIL 및 Stanford AI Lab과 같은 기관의 연구자들은 ELA와 학습된 특징의 조합을 탐구했다. 이러한 맥락에서 ELA는 Artificial intelligence 모델이 학습한 표현을 보완하는 수작업 특징으로 기능한다. BAIR (Berkeley AI Research)의 Alexei Efros와 같은 연구자를 포함한 컴퓨터 비전의 광범위한 분야는 이러한 포렌식 기법의 발전에 기여했다. Carnegie Mellon University 및 University of Oxford의 학술 그룹도 압축 기반 포렌식 연구에 기여하여 ELA를 현대 분석 방법과 더욱 통합했다.