A análise de nível de erro (ELA) é uma técnica em forense digital de imagens usada para identificar regiões de uma imagem JPEG que foram alteradas digitalmente. Foi introduzida por Neal Krawetz em 2007 como um método heurístico para triagem rápida de imagens em busca de possível adulteração. A ELA opera com base no princípio de que a compressão JPEG deixa padrões de erro consistentes em toda a imagem; quando uma região é editada e salva novamente, seu nível de erro de compressão muda.
Como funciona
A ELA funciona salvando novamente a imagem em um nível de qualidade conhecido, tipicamente 95 por cento, e calculando a diferença entre a versão original e a versão re-salva. A diferença é então escalada para produzir um mapa visual. Em uma imagem não alterada, os níveis de erro são aproximadamente uniformes em toda a imagem. Em uma imagem adulterada, a região editada frequentemente mostra um nível de erro diferente porque passou por um histórico de compressão distinto. Esse contraste pode revelar a localização da alteração. A técnica é sensível ao nível de qualidade escolhido; qualidades de re-salvamento mais baixas amplificam as diferenças, mas também aumentam o ruído, enquanto qualidades mais altas podem obscurecer edições sutis.
Aplicações
A ELA é comumente usada como uma ferramenta de triagem preliminar em forense digital. Tem sido aplicada no jornalismo para verificar fotografias, em processos legais para examinar evidências e por plataformas online para sinalizar imagens suspeitas. É também um dos métodos usados para detectar imagens produzidas por modelos de IA generativa, embora sua eficácia em imagens totalmente sintéticas seja limitada. Ferramentas como FotoForensics fornecem visualizações de ELA ao público, permitindo que não especialistas inspecionem imagens. Imagens geradas por modelos da OpenAI e do Google DeepMind podem ser examinadas com ELA, mas a técnica não é definitiva por si só e é frequentemente combinada com outros métodos forenses.
Limitações
A ELA tem várias limitações. É menos eficaz em imagens salvas em níveis de qualidade altos, porque o erro de compressão é pequeno e as diferenças se tornam mais difíceis de detectar. Também falha em imagens que foram salvas várias vezes, pois os níveis de erro tendem a se tornar uniformes novamente. Operações legítimas, como corte, redimensionamento ou re-encodificação, podem produzir falsos positivos, levando a acusações incorretas de adulteração. Além disso, a ELA não é confiável para detectar imagens totalmente sintéticas, como aquelas produzidas por sistemas de IA generativa, porque essas imagens podem não conter os mesmos artefatos JPEG que fotografias naturais. Como resultado, a ELA é melhor usada como uma etapa de triagem, em vez de evidência conclusiva.
Relação com aprendizado de máquina
Com o avanço do aprendizado de máquina e do aprendizado profundo, a ELA foi incorporada a sistemas forenses automatizados. Um mapa de ELA pode ser usado como um canal de entrada adicional para um classificador de rede neural, ajudando-o a distinguir entre imagens autênticas e adulteradas. Algumas abordagens usam uma rede residual para processar o mapa de nível de erro, ou uma U-Net para segmentar regiões adulteradas. Pesquisadores em instituições como MIT CSAIL e Stanford AI Lab exploraram combinações de ELA com características aprendidas. Nesse contexto, a ELA serve como uma característica artesanal que complementa as representações aprendidas por modelos de inteligência artificial. O campo mais amplo da visão computacional, incluindo o trabalho de pesquisadores como Alexei Efros no Berkeley AI Research, informou o desenvolvimento de tais técnicas forenses. Grupos acadêmicos na Carnegie Mellon University e na Universidade de Oxford também contribuíram para o estudo de forense baseada em compressão, integrando ainda mais a ELA com métodos analíticos modernos.