Универсальный детектор ИИ-изображений
Передовой универсальный сканер синтетических изображений. Создан на базе репрезентаций CLIP ViT-L/14, спектрального 2D FFT анализа частотных решеток, шума матрицы PRNU и метаданных C2PA/EXIF.
Analyzing Image with UnivFD...
Криминалистический анализ завершен
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) проецирует изображение в многомерное пространство CLIP ViT-L/14. Генеративные модели (GAN, Diffusion, Flow Matching) образуют принципиально иные латентные кластеры, чем реальные фотографии с фотокамер.
Пространственная карта фрагментов
Оценка 5 ключевых зон изображения для выявления локальных правок или подмены лиц:
Двумерное преобразование Фурье (2D FFT) раскладывает яркость на частотные гармоники. Нейросетевой апскейлинг создает неестественные периодические пики и решетчатые артефакты вдоль кардинальных осей.
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).
Физические фотосенсоры обладают характерным пуассоновским фотоэлектронным шумом и неравномерностью матрицы (PRNU). Изображения от ИИ имеют искусственную гладкость либо синтетическое математическое распределение.
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.
Проверка криптографических манифестов C2PA, аппаратных тегов EXIF камеры и скрытых параметров генерации PNG (промпты, сэмплеры, хеши моделей).
Detected Generator:
Physical Hardware Camera:
No embedded generation tags or EXIF hardware serials discovered. Assessment is derived purely from neural & spectral feature extraction.
Как работает детектор ИИ UnivFD
Большинство детекторов обучаются на одной конкретной модели и становятся бесполезными при появлении новых диффузионных сетей (Midjourney, DALL-E 3, SDXL, Flux). UnivFD решает эту проблему генерализации.
1. Почему CLIP ViT-L/14 генерализует детекцию
UnivFD опирается на визуальный энкодер CLIP ViT-L/14 от OpenAI, обученный на 400 млн пар изображение-текст. Замороженные признаки сохраняют фундаментальные оптические инварианты, а обученный линейный зонд безошибочно разделяет реальные кадры и диффузионные распределения.
2. Спектральные артефакты частотного домена
Генеративные сети оставляют тонкие шахматные решетчатые артефакты из-за деконволюций. Анализ спектра мощности 2D FFT раскрывает эти математические следы даже после сжатия.
3. Мультикроп и выявление дипфейков / инпаинтинга
Разделение кадра на несколько зон позволяет понять, создано ли изображение целиком нейросетью или перед нами реальное фото с локальной заменой лица или сгенерированным фрагментом.