기술 문서
포렌식 모델 용어 사전
Uthentic은 판단을 하나의 모델에만 맡기지 않습니다. 모든 분석은 이미지와, 별도로 텍스트에서 여러 개의 독립 엔진을 거치고 보정 후 결과를 융합합니다. 여기서는 각 엔진이 무엇을 측정하고 어떻게 읽어야 하는지 설명합니다. 사진작가의 맥락이 없는 숫자는 증거가 될 수 없기 때문입니다.
Motori per le immagini
Leggono il file fotografico: firma del sensore, coerenza dell'ottica, texture del dettaglio e integrità locale delle singole aree.
- Integrità locale del file
- Modello di analisi dell'integrità locale: cerca zone del file la cui firma di rumore e compressione non coincide con il resto dell'immagine.
- 읽는 법Serve a distinguere una fotografia interamente generata da una fotografia reale con un'area rifatta a software. La sua mappa monocromatica indica dove guardare, non che l'immagine sia falsa.
- Generalizzazione cross-generatore
- Detector universale di immagini sintetiche basato su rappresentazioni visive generali, non legate a un singolo generatore.
- 읽는 법Regge bene su generatori che non ha mai visto in addestramento; su fotografie molto compresse o ridimensionate perde sensibilità.
- Tracce di sensore e ottica
- Famiglia di detector accademici che misura le tracce di sensore e le incoerenze di interpolazione del colore lasciate dalla catena di ripresa.
- 읽는 법Un segnale alto indica che la catena fotocamera-obiettivo-sensore non è ricostruibile: può dipendere dalla generazione AI o da un reesport aggressivo.
- GuastoniUnmask
- Motore proprietario on-device che legge la microtessitura dell'epidermide e la coerenza della retroilluminazione della pigmentazione in funzione della luce riflessa dell'ambiente.
- 읽는 법Confronta la grana della pelle con la direzione della luce ambientale: la cute vera presenta una microtessitura irregolare e un rapporto pigmentazione-luce coerente; la pelle sintetica tende a una pasta visiva uniforme e a una retroilluminazione non accordata alla scena.
- Detector open-source (elaborazione locale)
- Detector addestrato su un ampio insieme di generatori pubblici, eseguito localmente sul dispositivo tramite ONNX Runtime.
- 읽는 법Fornisce una lettura indipendente e senza invio del file a servizi esterni; è forte sui generatori diffusi, più debole sui modelli molto recenti.
- Diffusione ad alta fedeltà
- Famiglia di modelli di diffusione text-to-image ad alta fedeltà, tra i generatori più frequenti nelle immagini analizzate.
- 읽는 법Lascia una texture di dettaglio molto regolare e un microcontrasto uniforme: fotograficamente si legge come una luce troppo pulita e priva di incidenti.
- Pattern diffusion e GAN
- Firme statistiche nel dominio delle frequenze tipiche rispettivamente dei modelli di diffusione e delle reti generative avversarie.
- 읽는 법Sono indizi di famiglia generativa, non prove: una fotografia reale filtrata pesantemente può mostrare pattern periodici simili.
Provenienza e metadati
Verificano che cosa il file dichiara della propria origine e se la dichiarazione è firmata e coerente.
- C2PA
- Standard di provenienza firmata: registra nel file chi lo ha prodotto e quali modifiche ha subito, con firma crittografica verificabile.
- 읽는 법Una firma valida è la prova più forte disponibile sull'origine. La sua assenza è normale nella maggior parte dei file e non indica falsità.
- EXIF e metadati di ripresa
- Dati tecnici scritti dalla fotocamera o dal software: modello, obiettivo, tempo, diaframma, ISO, spazio colore, catena di editing.
- 읽는 법La coerenza fra i parametri dichiarati e la resa visibile della luce è un indizio forte; social network e messaggistica cancellano questi dati.
Motori per i testi
Stabiliscono se un testo è stato scritto da un modello linguistico e spiegano su quali frasi si concentra l'evidenza.
- Modelli linguistici open ad ampia diffusione
- Famiglia di modelli linguistici aperti, molto usata per generare o riscrivere testi; costituisce uno dei riferimenti nei benchmark di rilevamento.
- 읽는 법I testi prodotti mostrano periodi di lunghezza regolare e transizioni prevedibili: è il tipo di regolarità che le statistiche di burstiness misurano.
- Modelli linguistici recenti multilingue
- Famiglia di modelli linguistici ad alte prestazioni, spesso presente nei testi in italiano e inglese generati di recente.
- 읽는 법Produce argomentazioni molto ordinate e lessico medio: aumenta il rischio di falso negativo nei testi tecnici, dove anche l'umano scrive regolare.
- Rilevatore anti-parafrasi
- Detector accademico di testo generato, addestrato in modo avversario contro riscritture e parafrasi.
- 읽는 법È il segnale più stabile quando il testo è stato parafrasato per mascherarne l'origine.
- Rilevatore multi-generatore
- Detector di riferimento per la generalizzazione: valutato su decine di generatori e domini differenti.
- 읽는 법Utile come contrappeso quando un solo motore si sbilancia; la sua lettura conta soprattutto quando concorda con le statistiche.
Metriche del referto
Sono i numeri che compaiono nel referto: come si calcolano e, soprattutto, come non vanno letti.
- Perplessità
- Misura quanto un testo risulta prevedibile per un modello linguistico di riferimento: valori bassi indicano scelte lessicali molto attese.
- 읽는 법Da sola non decide: testi giuridici, accademici e normativi umani hanno naturalmente perplessità bassa.
- Burstiness
- Variabilità della prevedibilità fra frasi consecutive: la scrittura umana alterna picchi e cadute, quella generata tende all'uniformità.
- 읽는 법Va letta insieme alla lunghezza del testo: sotto la soglia minima di parole il valore non è affidabile e l'analisi dichiara evidenza insufficiente.
- Curvatura condizionale
- Scarto fra la verosimiglianza osservata del testo e quella attesa dal modello di riferimento sulle alternative più probabili.
- 읽는 법È robusta sui testi campionati con temperatura alta, dove la sola perplessità si avvicina a quella umana.
- AI Probability
- Percentuale finale del referto, ottenuta dalla fusione robusta dei motori indipendenti dopo calibrazione.
- 읽는 법Da 0 a 19% il verdetto è verde (reale); dal 20% in su è rosso (probabile AI). Il referto indica sempre quanti motori hanno risposto.
벤치마크
엔진 융합에 대한 10,179건의 테스트
융합 방식은 감으로 바꾸지 않습니다. 가중치를 수정할 때마다 총 10,179건의 반복 가능한 테스트를 거치며, 진짜 사진, 소프트웨어로 수정된 진짜 사진(보정, 자르기, 국소 인페인팅), AI로 생성된 이미지의 세 가지 카테고리로 나뉩니다. 각 카테고리에서 ROC 곡선 아래 면적, 브라이어 점수, 기대 보정 오차, 위험-커버리지 곡선을 측정합니다.
소프트웨어로 수정된 진짜 사진 카테고리는 보고서의 신뢰도에서 가장 중요합니다: 후보정을 거친 진짜 사진이 AI 생성으로 잘못 판정되지 않도록 보장하기 위한 것입니다. 신호가 서로 모순되거나 엔진의 판단 범위가 충분하지 않을 때, 보고서는 백분율을 억지로 내는 대신 증거 부족을 명시합니다.