Come funziona il riconoscimento di immagini generate o manipolate con l'IA
Questo sistema utilizza tecniche di intelligenza artificiale forense per identificare se un'immagine è stata manipolata o generata completamente da un IA. L'analisi combina algoritmi di machine learning con tecniche di elaborazione del segnale per rilevare pattern invisibili all'occhio umano. Prova subito il sistema →
Tecniche di analisi utilizzate per riconoscere immagini false
Vision Transformer Multi-Modale (ViT-B/16 + EXIF)
Il sistema principale utilizza un Vision Transformer (ViT-B/16) combinato con un encoder EXIF multi-layer perceptron. Il modello analizza simultaneamente le features visive estratte dal ViT e 17 features EXIF (metadati fotocamera, varianza laplaciana, densità bordi, entropia colore, artefatti di compressione). Questa architettura multi-modale raggiunge accuratezza >95% nella classificazione Real vs AI-Generated.
Analisi del Rumore Residuo (NLM Denoising)
Utilizziamo l'algoritmo Non-Local Means Denoising per estrarre il pattern di rumore residuo. Le immagini generate da IA presentano una varianza del rumore anomala (tipicamente < 3.0) rispetto alle fotografie autentiche. L'analisi viene effettuata su blocchi di 64x64 pixel per identificare inconsistenze locali. Il sistema genera visualizzazioni comparative del rumore originale, denoised e residuo.
Error Level Analysis (ELA)
L'ELA compara i livelli di compressione JPEG per rilevare manipolazioni. Ricomprimiamo l'immagine al 95% di qualità e calcoliamo la differenza pixel per pixel. Le aree manipolate mostrano livelli di errore inconsistenti, evidenziando aggiunte o modifiche posteriori all'acquisizione originale. Il sistema identifica automaticamente regioni sospette con area > 100px² e le visualizza con bounding boxes.
Trasformata di Fourier FFT
Applichiamo la Fast Fourier Transform (FFT) per analizzare lo spettro di frequenza. Le immagini generate da GAN mostrano pattern periodici caratteristici con un periodic_score > 0.03 e un frequency_ratio tra 0.74-0.79, indicativi di artefatti sintetici nelle alte frequenze. Il sistema calcola il rapporto tra energia ad alta frequenza (outer 40%) e bassa frequenza (center 10%) e visualizza lo spettro in scala logaritmica.
Varianza Laplaciana (Sharpness Analysis)
Il filtro laplaciano è un operatore differenziale che calcola la seconda derivata dell'immagine, evidenziando bordi e rapidi cambiamenti di intensità. La varianza del laplaciano misura nitidezza: immagini IA mostrano varianza < 100 (troppo pulite) o 100-500 (range AI), mentre foto naturali hanno varianza > 1000. Il sistema genera visualizzazioni del filtro laplaciano e istogramma della distribuzione.
Coerenza Direzionale dei Gradienti
Calcoliamo i gradienti direzionali Sobel per analizzare la coerenza dei bordi. Le immagini IA mostrano direzioni dei bordi troppo regolari (directional_coherence > 0.7) e varianza delle direzioni ridotta (< 0.5). Il sistema visualizza i gradienti X/Y, la magnitudine e la mappa di coerenza direzionale per identificare pattern sintetici.
Analisi Texture GLCM
Calcoliamo la Gray-Level Co-occurrence Matrix (GLCM) per analizzare le proprietà statistiche delle texture a distanze 1, 3 e 5 pixel. Le immagini IA presentano energy > 0.11, homogeneity > 0.6 e contrast_std < 8, indicativi di texture innaturalmente uniformi. Il sistema estrae 4 features di Haralick (contrast, dissimilarity, homogeneity, energy) e genera heatmaps.
Pattern Colore LAB
Convertiamo l'immagine in spazio colore LAB (percettivamente uniforme) per analizzare la distribuzione dei colori. Calcoliamo l'entropia dei canali a* e b* (crominanza), la deviazione standard e la curtosi. Le immagini IA mostrano distribuzioni colore anomale con pattern troppo uniformi o innaturali. Il sistema genera istogrammi 2D della distribuzione a*b* e visualizza i canali L, a*, b* separatamente.
Bordi Canny e Hough Transform
Applichiamo il rilevatore di bordi Canny seguito da Hough Transform per identificare linee rette. Le immagini IA presentano densità di bordi anomale e un numero eccessivo di linee perfettamente rette (num_lines > 50). Il sistema visualizza i bordi rilevati, le linee Hough e calcola metriche come edge_density, mean_edge_strength e line_regularity.
Decomposizione Wavelet (PyWavelets db4)
Applichiamo la trasformata wavelet discreta (DWT) con base Daubechies-4 su 4 livelli. Le immagini IA mostrano un caratteristico energy_decay_rate tra 0.02-0.25 e una curtosi dei coefficienti di dettaglio > 15, molto superiore alle immagini naturali. Il sistema decompone l'immagine in coefficienti di approssimazione (cA) e dettaglio (cH, cV, cD) e visualizza tutti i 4 livelli wavelet.
Indicatori chiave per riconoscere immagini generate da IA
- Metadati EXIF mancanti o incongruenti: Assenza di informazioni sulla fotocamera (Make, Model, Lens), mancanza di parametri di esposizione (ISO, aperture, shutter speed), software di generazione AI nei metadati
- Varianza laplaciana anomala: Immagini con varianza < 100 (troppo pulite) o 100-500 (range AI) vs foto naturali con varianza > 1000, indicatore di sharpness artificiale
- Uniformità anomala del rumore: Varianza del rumore < 3.0 calcolata su blocchi 64x64px, rumore sintetico statisticamente diverso da quello dei sensori fotografici reali
- Pattern periodici nelle frequenze FFT: Periodic score > 0.03, frequency_ratio tra 0.74-0.79, artefatti regolari GAN nello spettro delle alte frequenze
- Regioni ELA inconsistenti: Più di 3 regioni sospette con livelli di errore JPEG anomali (area > 100px²), evidenza di manipolazione post-acquisizione
- Coerenza direzionale dei gradienti: Directional coherence > 0.7, varianza delle direzioni < 0.5, bordi troppo regolari e pattern sintetici
- Texture GLCM innaturalmente uniformi: Energy > 0.11, homogeneity > 0.6, contrast_std < 8, superfici con co-occorrenza statistica anomala
- Distribuzione colore LAB anomala: Entropia dei canali a*b* ridotta, curtosi elevata, pattern cromatici non naturali nello spazio percettivo
- Linee Hough eccessive: Più di 50 linee rette perfette rilevate da Hough Transform, indicatore di geometria sintetica
- Decomposizione wavelet anomala: Energy decay rate 0.02-0.25, curtosi coefficienti dettaglio > 15, pattern di decadimento energetico tipico della sintesi AI su 4 livelli wavelet db4
Il sistema integra un Vision Transformer multi-modale che analizza simultaneamente features visive (estratte dal ViT-B/16) e 17 features EXIF/image analysis. Questo approccio combina tutti gli indicatori attraverso reti neurali fully-connected che apprendono pattern complessi e non lineari, assegnando pesi ottimali basati su training su 50.000 immagini (25.000 reali + 25.000 AI-generated). La presenza di metadati fotocamera autentici e software di editing professionale influenza il peso delle features forensi nell'architettura multi-modale.
Accuratezza del sistema
Il sistema raggiunge un'accuratezza del:
- ✓ 95% per immagini generate da AI
- ✓ 90% per manipolazioni significative
- ✓ 85% per editing standard
Il Vision Transformer multi-modale è stato addestrato su 50.000 immagini (25.000 reali + 25.000 AI-generated) e validato su 10.000+ immagini di test.
Grafico training del modello (clicca per ingrandire)
Disclaimer Legale
ESCLUSIONE DI RESPONSABILITÀ: Il sistema di analisi fornito è uno strumento di supporto tecnico che non garantisce risultati infallibili. I risultati dell'analisi sono forniti "così come sono" (as-is) senza garanzie di alcun tipo, espresse o implicite. L'utente riconosce che possono verificarsi falsi positivi o falsi negativi e che nessuna tecnologia attuale può determinare con certezza assoluta l'origine o l'autenticità di un'immagine digitale. acquisizioniforensi.it, il suo proprietario, dipendenti e collaboratori declinano ogni responsabilità per qualsiasi danno diretto, indiretto, incidentale, consequenziale o punitivo derivante dall'uso o dall'impossibilità di utilizzo del servizio, inclusi ma non limitati a: (i) errori nella classificazione delle immagini; (ii) decisioni prese sulla base dei risultati dell'analisi; (iii) danni reputazionali o economici derivanti da valutazioni errate; (iv) perdita di dati o interruzioni del servizio. L'utilizzo del sistema implica l'accettazione integrale di questi termini e la rinuncia a qualsiasi pretesa risarcitoria. Per decisioni critiche si raccomanda sempre la consultazione di un esperto forense qualificato.
Analizza la tua immagine per verificare se è creata con AI
Carica un'immagine per scoprire se è stata manipolata o generata con intelligenza artificiale. Il sistema analizzerà oltre 30 parametri tecnici per fornire un verdetto dettagliato.
Trascina qui l'immagine o clicca per selezionarla