Format-Controlled Multi-Scale JPEG Compression Response Analysis for Image-Level Forgery Screening

Resumen Técnico: Análisis de Respuesta de Compresión JPEG Multiescala Controlada por Formato para el Cribado de Falsificaciones a Nivel de Imagen

Planteamiento del Problema

La detección de falsificaciones de imágenes es un componente crítico de la informática forense; sin embargo, muchos enfoques de aprendizaje profundo de vanguardia (por ejemplo, ManTra-Net, MVSS-Net) son computacionalmente costosos, requieren aceleración por GPU y carecen de interpretabilidad. Además, existe un fallo metodológico significativo en las evaluaciones que utilizan el conjunto de datos CASIA v2.0: un "confundido de formato" (format confound) donde el 60% de las imágenes manipuladas se almacenan como archivos TIFF, mientras que todas las imágenes auténticas son JPEG o BMP. Esto permite que clasificadores triviales basados únicamente en metadatos de archivo (por ejemplo, is_tiff) alcancen puntuaciones AUC elevadas (0.80–0.92), lo que puede inflar la percepción del rendimiento de los métodos forenses que no controlan explícitamente este sesgo. El desafío consiste en desarrollar un método de cribado ligero, interpretable y basado en CPU que detecte inconsistencias genuinas en el historial de compresión en lugar de atajos de formato de archivo.

Metodología

Los autores proponen un flujo de trabajo de ingeniería de características ligero que utiliza Árboles de Gradiente Potenciado (HistGradientBoostingClassifier) para clasificar imágenes como auténticas o falsificadas basándose en un vector de características de 405 dimensiones. El flujo de trabajo opera enteramente en CPU y procesa imágenes en menos de 0.5 segundos.

1. Preprocesamiento:
Las imágenes se convierten a RGB y se redimensionan (dimensión máxima de 1024px) para asegurar una extracción de características consistente preservando el detalle.

2. Familias de Extracción de Características:
El núcleo del método consiste en siete familias distintas de características:

• Análisis de Nivel de Error (ELA) Multiescala (266 características): En lugar de un único factor de calidad, se computan los residuales de ELA en siete niveles de calidad JPEG ($q \in \{30, 50, 60, 75, 80, 90, 95\}$). Para cada nivel, se extraen estadísticas globales (media, desviación estándar, percentiles, fracción de alto residual) y estadísticas de rejilla espacial (media/desviación estándar de una rejilla de 4x4). Esto captura artefactos de compresión a través de todo el espectro de calidad, haciendo que el método sea robusto ante historiales de compresión originales desconocidos.
• Ratios de ELA entre Calidades Cruzadas (16 características): Se computan ratios de pares de mapas ELA entre niveles de calidad específicos (por ejemplo, 30/90, 50/90). Estos ratios están diseñados para ser invariantes a la magnitud absoluta del residual y apuntan específicamente a las firmas de doble compresión JPEG características de las regiones de fotomontaje (spliced regions).
• Entropía de ELA (18 características): Se calcula la entropía de Shannon del mapa ELA (en $q=50$) a través de una rejilla de 4x4 para detectar la heterogeneidad de información teórica en los límites de manipulación.
• Bandas de Energía Radial de FFT (6 características): Se analiza la DFT 2D de la imagen en escala de grises a través de bandas de frecuencia radiales concéntricas para detectar artefactos de alta frecuencia en los bordes introducidos por el fotomontaje.
• Densidad de Bordes (20 características): Estadísticas de la magnitud del gradiente de Sobel (globales y de rejilla 4x4) para detectar discontinuidades espaciales.
• Residuales de Esteganálisis SRM (27 características): Residuales de filtros de paso alto (Fridrich & Kodovský) aplicados a los canales RGB para capturar inconsistencias en el dominio del ruido.
• Bloqueidad DCT, Ruido y Color (52 características): Medidas de las relaciones entre el interior y el borde de los bloques DCT, la varianza del ruido Laplaciano y las estadísticas de color entre canales.

3. Clasificación:
El vector de 405 dimensiones es clasificado mediante un HistGradientBoostingClassifier con parada temprana (early stopping), regularización L2 y ponderación de peso de frecuencia inversa para manejar el desequilibrio de clases.

Contribuciones Clave

1. Evaluación Controlada por Formato: El artículo aborda rigurosamente el confundido de formato de CASIA v2.0. Al evaluar exclusivamente en el subconjunto solo de JPEG (9,501 imágenes), los autores demuestran que su método detecta inconsistencias en el historial de compresión en lugar de atajos de formato de archivo.
2. Innovación de ELA Multiescala: Se identifica la introducción de ELA computado a través de siete niveles de calidad como el factor dominante en el rendimiento, superando la sensibilidad del ELA de calidad única ante factores de compresión originales desconocidos.
3. Flujo de Trabajo Ligero e Interpretable: El método logra un alto rendimiento sin aceleración por GPU, ofreciendo inferencia de subsegundo e interpretabilidad a nivel de característica (por ejemplo, vinculando la alta varianza de la rejilla ELA con una historia de compresión espacialmente inconsistente).
4. Delimitación del Alcance: A través de pruebas de transferencia externa, el artículo define explícitamente el alcance operativo del método: efectivo para detectar procesamiento heterogéneo (fotomontaje de fuentes cruzadas) pero limitado para operaciones de copia-movimiento (copy-move) de la misma imagen que preservan la uniformidad de la compresión.

Resultados Experimentales

Evaluado en el subconjunto solo de JPEG de CASIA v2.0 utilizando validación cruzada estratificada de 5 pliegues:

• Rendimiento Primario: El método logra un AUC de 0.990 [IC 95%: 0.988–0.991] y una puntuación F1 de 0.905.
• División Consciente de la Fuente: Bajo una división de grupo conservadora (que evita imágenes relacionadas en entrenamiento/prueba), el AUC se mantiene alto en 0.976.
• Estudio de Ablación:
  • El ELA de calidad única ($q=75$) arroja un AUC de 0.806.
  • El ELA multiescala (7 niveles) por sí solo salta a un AUC de 0.986 (+0.180 de ganancia).
  • Los ratios de calidad cruzada por sí solos logran un AUC de 0.985, demostrando que el comportamiento relativo de la compresión es altamente discriminativo.
  • El vector completo de 405 características alcanza 0.990, con características auxiliares (entropía, FFT, SRM) proporcionando una robustez marginal pero complementaria.
• Robustez: El rendimiento se degrada gradualmente bajo post-procesamiento (por ejemplo, AUC 0.896 bajo reducción de escala al 50%), consistente con un método que depende de trazas de cuantización de grano fino.
• Transferencia Externa:
  • Bloques de Fotomontaje Columbia: AUC 0.708 (por encima del azar).
  • Copy-Move de CoMoFoD: AUC 0.499 (nivel de azar). Esto confirma que el método detecta la inconsistencia del historial de compresión (procesamiento heterogéneo) en lugar de la duplicación genérica, ya que el copy-move de CoMoFoD preserva la uniformidad de la compresión.

Significancia y Reivindicaciones

El artículo sostiene que las características de respuesta de la compresión JPEG cuidadosamente diseñadas pueden proporcionar un fuerte cribado de falsificación a nivel de imagen con interpretabilidad a nivel de característica y despliegue exclusivo en CPU. Crucialmente, afirma que la evaluación controlada por formato es esencial cuando se utiliza CASIA v2.0; los resultados previos reportados sin tales controles pueden ser susceptibles de una inflación relacionada con el formato.

Los autores posicionan su trabajo no como una solución universal para todas las manipulaciones de imagen (notando limitaciones con contenido generado por IA y copy-move de la misma imagen), sino como una herramienta de cribado altamente efectiva, interpretable y para la detección de procesamiento heterogéneo e inconsistencias en el historial de compresión en imágenes con compresión JPEG. Los resultados respaldan la conclusión de que el éxito del método proviene de la detección de trazas forenses genuinas en lugar de sesgos del conjunto de datos.