Сравнительный анализ инструментов создания и обнаружения поддельных изображений и представление гибридного метода

Развитие генеративных моделей, основанных на методах глубокого обучения, таких как генеративно-состязательные сети (Generative Adversarial Networks, GAN) и диффузионные модели, привело к возможности создания синтетических изображений чрезвычайно высокого уровня реалистичности. Данное обстоятельство создает серьезные трудности в области выявления поддельного мультимедийного контента, особенно в условиях, когда подобные инструменты становятся доступными широкому кругу пользователей, не обладающих специализированными знаниями. В настоящем исследовании представлен сравнительный анализ бесплатных инструментов для генерации и обнаружения поддельных изображений, а также предложен гибридный метод, направленный на повышение эффективности их выявления. В практической части работы были использованы и сопоставлены десять инструментов для генерации поддельных изображений (FaceApp, FaceSwapper.ai, DALL·E 3, Gemini и др.) и десять инструментов для их обнаружения (Illuminarty, Syntheticeye, модели HuggingFace). Проведена их оценка по показателям точности (от 42,14% до 81,13%), скорости работы и удобства использования. На основе выявленных ограничений предложен и реализован комбинированный подход к обнаружению поддельных изображений, основанный на интеграции анализа метаданных (EXIF), анализа уровня ошибок сжатия (Error Level Analysis, ELA) и базовой модели глубокой сверточной нейронной сети (Convolutional Neural Network, CNN), обученной на расширенном наборе данных, содержащем 7180 изображений. Предложенный подход позволил достичь точности обнаружения на уровне 79%. Полученные результаты свидетельствуют о необходимости стандартизации инструментов обнаружения поддельного контента и регулярного обновления используемых моделей с целью противодействия быстро развивающимся средствам генерации синтетических изображений.