Glossar KI-Bildforensik
Uthentic überlässt das Urteil nicht einem einzigen Modell. Jede Analyse befragt unabhängige Engines — für die KI-Bilderkennung und, getrennt davon, um KI-Text zu erkennen — und führt ihre Lesarten nach der Kalibrierung zusammen. Hier steht, was jede davon misst und wie man sie liest, denn eine Zahl ohne ihren fotografischen Kontext ist kein Beweis.
Engines für Bilder
Sie lesen die fotografische Datei: Sensorsignatur, optische Kohärenz, Detailtextur und die lokale Integrität einzelner Bereiche.
- Lokale Dateiintegrität
- Modell zur Analyse der lokalen Integrität: sucht nach Bereichen der Datei, deren Rausch- und Kompressionssignatur nicht mit dem Rest des Bildes übereinstimmt.
- Wie man es liestDient dazu, ein vollständig generiertes Bild von einem echten Foto mit einem softwareseitig neu erstellten Bereich zu unterscheiden. Die monochrome Karte zeigt, wohin man schauen muss, nicht dass das Bild gefälscht ist.
- Generalisierung über Generatoren hinweg
- Universeller Detektor für synthetische Bilder, der auf allgemeinen visuellen Repräsentationen basiert, statt an einen einzelnen Generator gebunden zu sein.
- Wie man es liestHält sich gut bei Generatoren, die er nie im Training gesehen hat; bei stark komprimierten oder verkleinerten Fotos verliert er an Empfindlichkeit.
- Sensor- und Optikspuren
- Familie akademischer Detektoren, die Sensorspuren und Inkonsistenzen bei der Farbinterpolation misst, die von der Aufnahmekette hinterlassen werden.
- Wie man es liestEin hoher Wert bedeutet, dass sich die Kette Kamera-Objektiv-Sensor nicht rekonstruieren lässt: Das kann an KI-Generierung oder an einem aggressiven Re-Export liegen.
- GuastoniUnmask
- Proprietäre, auf dem Gerät laufende Engine, die die Mikrotextur der Haut und die Kohärenz der Pigment-Rückbeleuchtung im Verhältnis zum reflektierten Umgebungslicht liest.
- Wie man es liestVergleicht die Hautstruktur mit der Richtung des Umgebungslichts: echte Haut zeigt eine unregelmäßige Mikrotextur und ein stimmiges Verhältnis von Pigmentierung zu Licht; synthetische Haut neigt zu einer gleichförmigen visuellen Masse und einer Rückbeleuchtung, die nicht zur Szene passt.
- Open-Source-Detektor (lokale Verarbeitung)
- Detektor, trainiert auf einer breiten Menge öffentlicher Generatoren, lokal auf dem Gerät über ONNX Runtime ausgeführt.
- Wie man es liestLiefert eine unabhängige Einschätzung, ohne die Datei an externe Dienste zu senden; stark bei verbreiteten Generatoren, schwächer bei sehr neuen Modellen.
- Hochauflösende Diffusion
- Familie hochauflösender Text-zu-Bild-Diffusionsmodelle, unter den häufigsten Generatoren in den analysierten Bildern.
- Wie man es liestHinterlässt eine sehr regelmäßige Detailtextur und einen gleichmäßigen Mikrokontrast: fotografisch liest sich das wie ein zu sauberes, unfallfreies Licht.
- Diffusion- und GAN-Muster
- Statistische Signaturen im Frequenzbereich, typisch für Diffusionsmodelle beziehungsweise generative gegnerische Netzwerke.
- Wie man es liestSind Hinweise auf die generative Familie, kein Beweis: Ein stark gefiltertes echtes Foto kann ähnliche periodische Muster zeigen.
Herkunft und Metadaten
Sie prüfen, was die Datei über ihre eigene Herkunft angibt und ob diese Angabe signiert und stimmig ist.
- C2PA
- Signierter Herkunftsstandard: verzeichnet in der Datei, wer sie erstellt hat und welche Änderungen sie durchlaufen hat, mit prüfbarer kryptografischer Signatur.
- Wie man es liestEine gültige Signatur ist der stärkste verfügbare Beweis für die Herkunft. Ihr Fehlen ist bei den meisten Dateien normal und kein Hinweis auf Fälschung.
- EXIF und Aufnahmemetadaten
- Technische Daten, die von der Kamera oder Software geschrieben werden: Modell, Objektiv, Belichtungszeit, Blende, ISO, Farbraum, Bearbeitungskette.
- Wie man es liestDie Übereinstimmung zwischen den angegebenen Parametern und der sichtbaren Lichtwirkung ist ein starkes Indiz; soziale Netzwerke und Messenger löschen diese Daten.
Engines für Texte
Sie stellen fest, ob ein Text von einem Sprachmodell geschrieben wurde, und erklären, auf welchen Sätzen die Evidenz beruht.
- Weit verbreitete offene Sprachmodelle
- Familie offener Sprachmodelle, häufig zum Erzeugen oder Umschreiben von Texten genutzt; eine der Referenzen in Erkennungs-Benchmarks.
- Wie man es liestDie erzeugten Texte zeigen Sätze regelmäßiger Länge und vorhersehbare Übergänge: genau die Art von Regelmäßigkeit, die Burstiness-Statistiken messen.
- Aktuelle mehrsprachige Sprachmodelle
- Familie leistungsstarker Sprachmodelle, oft hinter kürzlich generierten deutschen und englischen Texten.
- Wie man es liestErzeugt sehr geordnete Argumentationen und durchschnittlichen Wortschatz: erhöht das Risiko eines falschen Negativs bei Fachtexten, in denen auch Menschen regelmäßig schreiben.
- Anti-Paraphrasierungs-Detektor
- Akademischer Detektor für generierten Text, gegnerisch gegen Umschreibungen und Paraphrasen trainiert.
- Wie man es liestDas stabilste Signal, wenn ein Text paraphrasiert wurde, um seine Herkunft zu verschleiern.
- Multi-Generator-Detektor
- Referenzdetektor für Generalisierung: bewertet über Dutzende Generatoren und Domänen hinweg.
- Wie man es liestNützlich als Gegengewicht, wenn eine einzelne Engine abweicht; seine Einschätzung zählt vor allem, wenn sie mit den Statistiken übereinstimmt.
Kennzahlen des Berichts
Das sind die Zahlen, die im Bericht erscheinen: wie sie berechnet werden und vor allem, wie sie nicht zu lesen sind.
- Perplexität
- Misst, wie vorhersehbar ein Text für ein Referenz-Sprachmodell ist: niedrige Werte bedeuten sehr erwartbare Wortwahl.
- Wie man es liestAllein entscheidet sie nichts: juristische, akademische und behördliche Texte von Menschen haben von Natur aus niedrige Perplexität.
- Burstiness
- Schwankung der Vorhersehbarkeit zwischen aufeinanderfolgenden Sätzen: menschliches Schreiben wechselt zwischen Höhen und Tiefen, generiertes Schreiben tendiert zur Gleichförmigkeit.
- Wie man es liestMuss zusammen mit der Textlänge gelesen werden: unterhalb der Mindestwortzahl ist der Wert nicht zuverlässig, und die Analyse meldet unzureichende Evidenz.
- Bedingte Krümmung
- Abweichung zwischen der beobachteten Wahrscheinlichkeit des Textes und der vom Referenzmodell erwarteten Wahrscheinlichkeit über die wahrscheinlichsten Alternativen.
- Wie man es liestRobust bei Texten, die mit hoher Temperatur gesampelt wurden, wo die Perplexität allein sich menschlichen Werten annähert.
- AI Probability
- Der abschließende Prozentwert des Berichts, gewonnen aus der robusten Fusion unabhängiger Engines nach Kalibrierung.
- Wie man es liestVon 0 bis 19 % ist das Urteil grün (echt); ab 20 % ist es rot (wahrscheinlich KI). Der Bericht gibt immer an, wie viele Engines geantwortet haben.
10.179 Tests zur Fusion der Engines
Die Fusion wird nicht nach Gefühl geändert. Jede Anpassung der Gewichte durchläuft einen wiederholbaren Prüfstand mit 10.179 Tests, unterteilt in drei Kategorien: echte Fotografien, echte Fotografien mit softwareseitigen Änderungen (Fotoretusche, Zuschnitt, lokales Inpainting) und KI-generierte Bilder. Für jede Kategorie werden Fläche unter der ROC-Kurve, Brier-Score, erwarteter Kalibrierungsfehler und Risiko-Abdeckungs-Kurven gemessen.
Die Kategorie der echten, softwareseitig veränderten Fotografien ist für die Glaubwürdigkeit des Berichts am wichtigsten: Sie stellt sicher, dass ein authentisches, in der Postproduktion bearbeitetes Foto nicht als KI-generiert eingestuft wird. Widersprechen sich die Signale, oder ist die Abdeckung der Engines unzureichend, meldet der Bericht unzureichende Evidenz, statt eine Prozentzahl zu erzwingen.