错误级别分析（ELA）是数字图像取证中的一种技术，用于识别JPEG图像中被数字篡改的区域。该技术由Neal Krawetz于2007年提出，作为一种启发式方法，用于快速筛查图像中潜在的篡改痕迹。ELA的原理基于JPEG压缩在整幅图像中留下一致的误差模式；当某个区域被编辑并重新保存时，其压缩误差级别会发生变化。
工作原理
ELA通过以已知质量级别（通常为95%）重新保存图像，并计算原始版本与重新保存版本之间的差异来工作。随后，该差异会被缩放以生成视觉映射图。在未篡改的图像中，误差级别在整个图像中大致均匀。而在被篡改的图像中，编辑区域通常会显示出不同的误差级别，因为它经历了不同的压缩历史。这种对比可以揭示篡改的位置。该技术对所选的质量级别较为敏感；较低的重新保存质量会放大差异，但也会增加噪声，而较高的质量可能会掩盖细微的编辑痕迹。
应用
ELA通常用作数字取证中的初步筛选工具。它已被应用于新闻业以验证照片、法律程序中以检查证据，以及在线平台以标记可疑图像。它也是用于检测由Generative AI模型生成的图像的方法之一，尽管其对完全合成图像的效果有限。诸如FotoForensics之类的工具向公众提供ELA可视化功能，使非专业人士也能检查图像。由OpenAI和Google DeepMind模型生成的图像可以通过ELA进行检查，但该技术本身并非决定性，通常需要与其他取证方法结合使用。
局限性
ELA存在若干局限性。对于以高质量级别保存的图像，其效果较差，因为压缩误差较小，差异更难检测。对于多次重新保存的图像，它也会失效，因为误差级别往往会再次变得均匀。裁剪、调整大小或重新编码等合法操作可能产生误报，导致错误的篡改指控。此外，ELA对于检测完全合成的图像（例如由Generative AI系统生成的图像）并不可靠，因为这些图像可能不包含与自然照片相同的JPEG伪影。因此，ELA最适合用作筛选步骤，而非确凿证据。
与机器学习的关系
随着Machine learning和Deep learning的兴起，ELA已被整合到自动化取证系统中。ELA映射图可以作为附加输入通道提供给Neural network分类器，帮助其区分真实图像与篡改图像。一些方法使用Residual Network (ResNet)来处理误差级别映射图，或使用U-Net来分割被篡改的区域。MIT CSAIL和Stanford AI Lab等机构的研究人员已探索将ELA与学习特征相结合。在此背景下，ELA作为一种手工设计的特征，补充了Artificial intelligence模型所学习的表示。更广泛的计算机视觉领域，包括BAIR (Berkeley AI Research)的Alexei Efros等研究人员的工作，也为此类取证技术的发展提供了参考。Carnegie Mellon University和University of Oxford的学术团队也对基于压缩的取证研究做出了贡献，进一步将ELA与现代分析方法相结合。