图像认证：如何验证照片是否真实

什么是图像认证，为什么重要？

图像认证回答了一个简单的问题：这张照片是否真的如它看起来的那样？这分为三个独立的检查——图像是由相机拍摄还是由人工智能生成，图像自拍摄以来是否被编辑过，以及照片周围的背景（谁拍的、何时拍的、在哪里拍的）是否准确。一张照片即使通过了其他检查，也可能在其中一项上失败。来自真实相机的真实、未编辑的照片仍然可能在错误的背景下被分享——一张旧的洪水照片被重新发布，就像它来自当前灾难一样，是一个经典例子，没有任何像素级的检查能够抓住。图像认证之所以重要，是因为照片和视频仍然承载着异乎寻常的默认信任，而这种信任被用于虚假的产品评论、欺诈性保险索赔、浪漫诈骗、伪造的新闻图像和法律争议中的篡改证据。2024年香港案例就是一个高知名度的例子，员工在与人工智能生成的高管进行视频通话后转账了2500多万美元，但更常见的情况涉及单个修改或人工智能生成的照片来支持虚假声明。推动对图像认证需求的根本压力是速度：修改或合成的照片可能在任何人有机会检查之前就在线上传播给数千人，所以快速认证图像的能力和准确认证图像的能力一样重要。

主要的图像真实性验证方法有哪些？

没有单一的测试可以证明照片是真实的。实际上，最强大的图像真实性验证方法需要相互配合，因为每一种都能捕捉不同类型的假图像并弥补其他方法的盲点。

1. 元数据 (EXIF) 检查——真实相机拍摄的照片通常带有EXIF数据：相机型号、镜头、曝光设置、GPS坐标和创建时间戳。缺少元数据、元数据与声称的设备不匹配或时间戳与故事不符都是警示信号，尽管元数据也可能被故意删除或编辑。
2. 内容凭证和C2PA验证——由Adobe、Microsoft、Google和BBC支持的内容来源和真实性联盟(C2PA)在拍摄或编辑时将密码学签名的历史记录嵌入文件中。完整的签名显示了哪个设备或软件何时触及了图像；破损的签名意味着文件在签名后被修改过。
3. 反向图像搜索——通过Google Lens、TinEye或Yandex Images运行照片，显示它是否曾在线出现过，日期、位置或标题不同。仅此一项检查就能捕捉大量回收或标题错误的图像。
4. 错误级别分析 (ELA) 和法医工具——ELA突出了JPEG中在原始压缩后重新保存或编辑的区域，因为编辑区域的压缩方式与未修改区域不同。Amped Authenticate或FotoForensics等法医软件将其与噪声模式和克隆检测分析相结合。
5. 人工智能检测分类器——在Midjourney、DALL-E、Stable Diffusion和类似生成器的输出上进行训练的工具寻找这些模型留下的像素级和频域模式，返回图像是人工智能生成还是拍摄的概率分数。
6. 手动视觉审查——检查阴影、反射、手部、背景文字和对称性可以抓住自动化工具有时会遗漏的不一致之处，特别是在压缩或调整大小后被修改的图像中。

图像来源和元数据验证如何工作？

基于来源的图像认证与基于检测的方法工作方式不同。它不是在事后分析图像来猜测是否是假的，而是通过追踪从拍摄时刻起的完整历史来证明图像是真实的。当符合C2PA的相机或应用程序拍照时，它附加一个签名清单，列出随后应用的每个编辑、裁剪、滤镜或人工智能增强。Google、Adobe和多家相机制造商现在在其应用中直接支持此标准，Google记录了Content Credentials如何在使用其Gemini和SynthID工具生成或编辑的图像上出现。权衡是覆盖范围：来源数据仅在首次捕获时存在。屏幕截图、来自旧设备的照片或下载后重新上传的图像通常根本没有C2PA清单，这意味着来源数据的缺乏本身不能证明任何事情——这只是意味着你必须回到其他图像认证方法。EXIF元数据是这种方法的较弱、较旧的表亲：在存在时有用，容易被删除或伪造，本身从不充分。

人工智能检测工具能帮助认证图像吗？

人工智能检测工具只是图像认证的一部分，不是全部。在当前生成器的输出上训练的检测器可以标记图像可能来自Midjourney或扩散模型的高概率，这在核心问题是照片是真实还是人工智能生成时很有用。但图像认证通常涉及检测器从未被构建来回答的问题，比如真实拍摄的图像是否被裁剪以移除背景，或是否被分享时附加了错误的日期和位置。检测工具也老化得很快：在去年的生成器上训练的分类器可能会错过它从未见过的新模型的模式，所以检测结果最好被理解为概率而不是最终结论。这正是为什么图像认证作为多种方法的组合效果最好——检测工具标记可能的人工智能生成，而元数据、来源数据和反向图像搜索填补了检测器无法看到的背景。

图像认证在实践中如何应用？

图像认证出现在比大多数人意识到的更多的日常情况中。路透社、AFP和Bellingcat等新闻编辑室和事实检查机构在发布前认证图像，结合元数据检查、反向图像搜索和C2PA验证。保险公司越来越多地认证索赔照片，以捕捉客户提交旧损伤照片、库存图像或从未发生过损伤的人工智能生成图像的情况。在线市场和租赁平台运行图像认证检查，以过滤重用他人照片或生成假产品图像的列表。约会应用程序在人工智能生成和仓鼠式头像增加后开始认证头像照片。房地产平台认证列表照片，以防止人工智能增强或完全合成的布景图像错误地代表该属性。法院和执法机构将照片和视频证据认证作为可采纳性审查的常规部分，特别是当人工智能生成的证据成为争议中更常见的论点时。人力资源团队和背景调查服务在招聘时增加了照片认证步骤，因为候选人的身份证照片或头照现在可以很容易地被交换或生成。在这些情况中的每一个中，潜在的问题都是图像认证中心的同一个问题：这张特定的图像可以被信任来代表它声称代表的内容吗？

当前图像认证方法的局限是什么？

今天没有任何图像认证方法是万无一失的，理解差距和了解这些技术一样重要。元数据可以在几秒内用常见软件删除或伪造。C2PA来源仅在捕获设备和每个下游编辑工具都支持该标准时有效，而大多数消费相机和社交平台仍然不支持。人工智能检测分类器在过去的生成器上训练，所以它们通常比最新的图像模型落后数周到数月，专门为躲避检测器而构建的对抗性技术变得越来越容易找到。来自社交平台的压缩——Instagram、WhatsApp和类似服务在上传时重新编码每张图像——删除了许多C2PA清单和检测分类器都依赖的微妙信号。反向图像搜索仅适用于以前在线出现过的图像，所以新生成或新布景的照片不会出现在任何索引中。即使是手动审查也有保质期：随着生成器的改进，受过训练的眼睛今天依赖的视觉标记——奇怪的手、不匹配的珠宝、扭曲的文字——正在被更新的模型逐步修复，这意味着图像认证清单必须定期更新而不是作为固定的。实际上，这意味着将图像认证视为概率练习而不是二进制通过或失败测试，并结合多种方法而不是依赖任何单一方法。

NotGPT 如何帮助进行图像认证

NotGPT的人工智能图像检测工具是实用图像认证工作流程的一个层面。上传任何照片，它分析视觉工件、频域模式和结构不一致，以返回图像是否由Midjourney、DALL-E或Stable Diffusion等工具生成的概率分数。由于错误信息和诈骗活动经常将合成图像与人工智能书写文本配对——虚假产品评论、伪造标题、网络钓鱼信息——NotGPT的人工智能文本检测工具同时检查随附的副本，比仅检查图像提供了更完整的认证图像。两种工具都直接处理内容，而不是通过黑匣子路由，这在你认证的照片是敏感或私人的情况下很重要。为了获得最强的结果，将人工智能检测与上述其他图像真实性验证方法配对——元数据检查、反向图像搜索和可用的C2PA来源检查——而不是依赖任何单一工具。