Η ανίχνευση deepfake χρειάζεται να γίνει γρήγορη όσο και ακριβής: τα συνθετικά βίντεο πολλαπλασιάζονται, ενώ οι κλασικοί ανιχνευτές συχνά απαιτούν μεγάλη υπολογιστική ισχύ και εξετάζουν τα αρχεία διαδοχικά. Ερευνητές του UCLA προτείνουν μια διαφορετική προσέγγιση, όπου μέρος του υπολογισμού γίνεται με το ίδιο το φως.
Ένας ανιχνευτής που δουλεύει παράλληλα
Ο νέος οπτικο-νευρωνικός επεξεργαστής σχεδιάστηκε για να λειτουργεί ως γρήγορο πρώτο φίλτρο. Στις δοκιμές του, ανέλυσε 15 ροές βίντεο ταυτόχρονα, σε μία μόνο οπτική διέλευση, αντί να περνά κάθε βίντεο ξεχωριστά από ένα συμβατικό ψηφιακό δίκτυο.
Η αρχιτεκτονική είναι υβριδική. Ένας ελαφρύς ψηφιακός κωδικοποιητής εξάγει χωρικά, φασματικά και χρονικά χαρακτηριστικά από κάθε βίντεο και τα μετατρέπει σε μοτίβο φάσης. Το μοτίβο προβάλλεται σε έναν προγραμματιζόμενο χωρικό διαμορφωτή φωτός και η κυματομορφή περνά από έναν παθητικό οπτικό αποκωδικοποιητή ελεύθερου χώρου. Στο τέλος, οπτικοί ανιχνευτές παράγουν απευθείας μια βαθμολογία αυθεντικότητας για κάθε βίντεο.
Τι έδειξαν οι μετρήσεις
Σε 15 βίντεο του συνόλου Celeb-DF, το σύστημα πέτυχε μέση ακρίβεια 97,79%. Η ευαισθησία του έφτασε το 99,86%, ενώ η ειδικότητα το 95,72%. Με απλά λόγια, εντόπισε σχεδόν όλα τα παραποιημένα δείγματα, αλλά υπήρξαν και ορισμένα αυθεντικά βίντεο που ταξινομήθηκαν ως ύποπτα.
Όταν οι ερευνητές αύξησαν τη χωρητικότητα στα 18 βίντεο ανά οπτική διέλευση, η μέση ακρίβεια παρέμεινε στο 96,13%. Η ομάδα πρόσθεσε επίσης δύο βελτιστοποιημένα παθητικά περιθλαστικά στρώματα. Σε δυσκολότερες παραποιήσεις, η ακρίβεια βελτιώθηκε περίπου κατά 6,8%, χωρίς αντίστοιχη αύξηση στην κατανάλωση ενέργειας κατά την εκτέλεση της πρόβλεψης.
Η δοκιμή δεν περιορίστηκε σε παλαιότερες τεχνικές face swap. Με ελάχιστη προσαρμογή, ο επεξεργαστής πέτυχε 94,80% ακρίβεια και 97,61% ευαισθησία σε βίντεο που δημιουργήθηκαν με το μοντέλο VEO-3 της Google και δεν υπήρχαν στα αρχικά δεδομένα εκπαίδευσης.
Γιατί η οπτική επεξεργασία έχει σημασία
Στα ψηφιακά συστήματα, η ανίχνευση μπορεί να απαιτεί εκατοντάδες δισεκατομμύρια πράξεις κινητής υποδιαστολής για μία ανάλυση. Η οπτική αρχιτεκτονική μεταφέρει μέρος αυτής της διαδικασίας στη διάθλαση του φωτός, επιτρέποντας παράλληλη επεξεργασία χωρίς αντίστοιχη αύξηση του ηλεκτρικού κόστους.
Η φυσική υλοποίηση προσθέτει και μια διάσταση ανθεκτικότητας. Οι παράμετροι του οπτικού μοντέλου είναι ενσωματωμένες στο hardware και δυσκολεύουν την ακριβή ανακατασκευή του από έναν επιτιθέμενο. Στις δοκιμές, το σύστημα συνέχισε να λειτουργεί με θόρυβο εικόνας, θόλωση, συμπίεση JPEG και μικρές αστοχίες ευθυγράμμισης, ενώ έδειξε αντοχή σε black-box adversarial επιθέσεις.
Πρώτο φίλτρο, όχι τελικός κριτής
Το UCLA δεν παρουσιάζει τον επεξεργαστή ως αντικαταστάτη όλων των ψηφιακών ανιχνευτών. Η προτεινόμενη χρήση του είναι ως πρώτο στάδιο: μεγάλοι όγκοι βίντεο περνούν γρήγορα από το οπτικό φίλτρο και όσα χαρακτηρίζονται ύποπτα παραπέμπονται σε πιο βαριά ψηφιακή ανάλυση.
Αυτός ο διαχωρισμός είναι κρίσιμος. Τα ποσοστά προέρχονται από ελεγχόμενα πειράματα και όχι από κάθε πιθανό είδος συνθετικού βίντεο του πραγματικού κόσμου. Η απόδοση θα πρέπει να δοκιμαστεί σε μεγαλύτερη ποικιλία γεννητριών, γλωσσών, καμερών και επιθέσεων πριν το σύστημα χρησιμοποιηθεί σε κρίσιμες αποφάσεις.
Η μελέτη δημοσιεύτηκε στο eLight με τίτλο “Scalable, energy-efficient optical-neural architecture for multiplexed deepfake video detection”. Η σύνοψη και τα πειραματικά στοιχεία παρουσιάζονται επίσης από το ScienceDaily.