Detector Universal de Imágenes IA
Escáner universal de última generación para imágenes sintéticas de IA. Desarrollado con representaciones de CLIP ViT-L/14, análisis de frecuencias 2D FFT, ruido de sensor PRNU y metadatos C2PA/EXIF.
Analyzing Image with UnivFD...
Inspección Forense Completada
UnivFD detected clear synthetic neural feature signatures consistent with modern generative models. Ambiguous feature distribution. The image may be heavily compressed, stylized, or an artistic composite. The image aligns with natural real-world camera optics and Poisson-Gaussian sensor noise patterns.
UnivFD (Universal Fake Detector, CVPR 2023) mapea imágenes en el espacio latente de CLIP ViT-L/14 para distinguir capturas ópticas reales de distribuciones generativas sintéticas.
Desglose de Regiones Espaciales
Evaluación de 5 regiones estratégicas para identificar inpainting o deepfakes:
La Transformada Rápida de Fourier 2D (FFT) descompone la luminancia en frecuencias espaciales, revelando picos de red periódicos propios del remuestreo de IA.
Radial frequency energy exhibits high-frequency distribution with an axial spike ratio of .
Interpreting the Map: High-frequency lattice dots and十字-axis rays reveal artificial convolutional upsampling (e.g. Stable Diffusion UNet layers).
Los sensores de cámaras físicas exhiben ruido fotoelectrónico natural (PRNU). Las imágenes de IA muestran suavizado sintético o ausencia de grano físico.
High-pass Laplacian residual variance measured at .
Interpreting the Map: Physical optical camera sensors exhibit fine, stochastic grain (PRNU). Pure synthetic images exhibit smooth patches or unnatural uniform noise.
Comprobación de manifiestos C2PA, parámetros EXIF de cámara física y datos de generación en PNG (prompts, muestreadores, modelos).
Detected Generator:
Physical Hardware Camera:
No embedded generation tags or EXIF hardware serials discovered. Assessment is derived purely from neural & spectral feature extraction.
Cómo Funciona la Detección Universal UnivFD
La mayoría de los detectores fallan al enfrentarse a nuevos modelos generativos. UnivFD supera esta barrera gracias a las representaciones invariantes de CLIP.
1. Generalización con CLIP ViT-L/14
UnivFD aprovecha el extractor visual de CLIP ViT-L/14 entrenado en 400M de imágenes. La sonda lineal entrenada clasifica con precisión familias de modelos no vistos durante el entrenamiento.
2. Huellas Espectrales de Frecuencia
Las redes generativas dejan patrones característicos en forma de cuadrícula debido a las capas de convolución traspuesta. El espectro 2D FFT desenmascara estas anomalías.
3. Detección Multirregión de Inpainting
Al evaluar diferentes cuadrantes, el detector identifica si una fotografía auténtica fue alterada localmente mediante relleno generativo o intercambio de rostros.