Statistically Guided Hybrid Local–Global Learning for Compressed Deepfake Video Detection

डिजिटल युग में, एक प्रकार का नया दृश्य धोखा उभर कर आया है, जहाँ आर्टिफिशियल इंटेलिजेंस वीडियो में चेहरों को बदलने या भावों को बदलने के लिए चौंका देने वाली वास्तविकता के साथ उपयोग किया जा सकता है। ये हेरफेर किए गए क्लिप्स, जिन्हें अक्सर 'डीपफेक' कहा जाता है, सोशल मीडिया पर तेजी से फैलते हैं, जो सत्य और बनावट के बीच अंतर करने की हमारी क्षमता को चुनौती देते हैं। उन्हें रोकने की कोशिश कर रहे विशेषज्ञों के लिए मुख्य समस्या यह है कि ये वीडियो शायद ही कभी अपने मूल, शुद्ध रूप में देखे जाते हैं। किसी वीडियो के दर्शक की स्क्रीन तक पहुँचने से पहले, स्थान बचाने और प्रसारण की गति बढ़ाने के लिए इसे लगभग हमेशा कंप्रेस (संकुचित) किया जाता है। यह कंप्रेशन एक भारी फिल्टर की तरह काम करता है, जो उन सूक्ष्म संकेतों को धुंधला कर देता है जो यह प्रकट करते हैं कि वीडियो नकली है, और साथ ही इसमें अपना स्वयं का दानेदार शोर (नॉइज़) भी जोड़ देता है। फलस्वरूप, कई डिटेक्शन टूल जो प्रयोगशाला सेटिंग में अच्छी तरह काम करते हैं, इंटरनेट की अव्यवस्थित वास्तविकता का सामना करने पर विफल हो जाते हैं, जिससे जो हम देखते हैं उसे सत्यापित करने की हमारी क्षमता में एक खतरनाक अंतराल पैदा हो जाता है।

इस अंतराल को पाटने के लिए, लांझोउ यूनिवर्सिटी और गुआंगडोंग ओशन यूनिवर्सिटी के शोधकर्ताओं ने एक नई विधि विकसित की है जिसे विशेष रूप से इन कंप्रेस्ड, वास्तविक दुनिया के वीडियो में डीपफेक खोजने के लिए डिज़ाइन किया गया है। उनका दृष्टिकोण दो मुख्य विचारों पर आधारित है: पहला, उन्होंने यह अनुमान लगाने के बजाय कि कौन से दृश्य रंग या पैटर्न नकली को पकड़ने के लिए सबसे अच्छे हैं, एक कठोर सांख्यिकीय परीक्षण का उपयोग किया ताकि सबसे विश्वसनीय पैटर्न खोजे जा सकें; दूसरा, उन्होंने एक ऐसी डिटेक्शन प्रणाली बनाई जो वीडियो को एक साथ दो अलग-अलग तरीकों से देखती है, जो कंप्रेशन के कारण होने वाली सूक्ष्म, स्थानीय खामियों और उन व्यापक, दीर्घ-दूरी की विसंगतियों, दोनों की जांच करती है जो एक जालसाजी को उजागर करती हैं। गणितीय रूप से सिद्ध दृश्य डेटा के चयन और दोहरी-परिप्रेक्ष्य विश्लेषण को संयोजित करके, टीम ने एक ऐसा टूल बनाया जो खराब वीडियो गुणवत्ता के बावजूद भी सटीक रहता है।

शोधकर्ताओं ने एक सामान्य कमजोरी को संबोधित करते हुए शुरुआत की जो पिछले डिटेक्शन सिस्टम में देखी जाती थी: वीडियो के रंगों को कैसे दर्शाया जाए, इसके लिए मानवीय अंतर्ज्ञान पर निर्भर रहने की प्रवृत्ति। अधिकांश सिस्टम केवल कंप्यूटर में मानक लाल, हरे और नीले चित्र फीड करते हैं, या शायद पिछले अनुभवों के आधार पर उन्हें किसी अन्य कलर फॉर्मेट में बदलते हैं। टीम का तर्क था कि यह अक्षम है, विशेष रूप से तब जब कंप्रेशन पहले से ही दृश्य विवरणों को अस्त-व्यस्त कर चुका हो। इसे हल करने के लिए, उन्होंने हजारों वास्तविक और नकली वीडियो फ्रेम के जोड़ों पर एक सांख्यिकीय तुलना की। उन्होंने विभिन्न फीचर्स, जैसे कि बनावट और ज्यामितीय आकृतियों को विभिन्न कलर सिस्टम में मापा ताकि यह देखा जा सके कि कौन सा सिस्टम एक वास्तविक चेहरे और एक नकली चेहरे के बीच सबसे सुसंगत अंतर दिखाता है। विश्लेषण से पता चला कि YCbCr नामक एक विशिष्ट कलर फॉर्मेट, जो चमक (ब्राइटनेस) को रंग की जानकारी से अलग करता है, सांख्यिकीय रूप से वास्तविक और नकली नमूनों के बीच अंतर को उजागर करने में सबसे शक्तिशाली था। इनपुट वीडियो को इस फॉर्मेट में बदलकर और इसे मानक इमेज के साथ जोड़कर, उन्होंने डिटेक्शन सिस्टम को एक बहुत स्पष्ट शुरुआती बिंदु प्रदान किया, यह सुनिश्चित करते हुए कि वह भ्रामक या अनावश्यक जानकारी से सीखने की कोशिश न करे।

एक बार जब विजुअल डेटा तैयार हो गया, तो टीम ने इसका विश्लेषण करने के लिए एक हाइब्रिड लर्निंग नेटवर्क का निर्माण किया। यह प्रणाली तालमेल में काम करने वाली विशेषज्ञ आँखों की एक जोड़ी की तरह संचालित होती है। प्रणाली का एक हिस्सा स्थानीय विवरणों पर ध्यान केंद्रित करता है, जो छवि को छोटे, ऊबड़-खाबड़ आर्टिफैक्ट्स (artifacts) के लिए स्कैन करता है जो तब दिखाई देते हैं जब एक वीडियो कंप्रेस किया जाता है। ये आर्टिफैक्ट्स अक्सर चेहरे के किनारों के आसपास छोटे ब्लॉक्स या धुंधलेपन के रूप में दिखाई देते हैं, और ये कम गुणवत्ता वाले वीडियो में हेरफेर के प्राथमिक संकेत होते हैं। यह लोकल ब्रांच फिल्टर की कई परतों वाली एक तकनीक का उपयोग करती है जो विभिन्न पैमानों पर इन पैटर्न का पता लगा सकती है, जिससे यह सुनिश्चित होता है कि कोई भी सूक्ष्म विरूपण छूट न जाए। दूसरा हिस्सा बड़ी तस्वीर को देखता है। केवल छोटे पैच की जाँच करने के बजाय, यह चेहरे के विभिन्न हिस्सों के बीच दीर्घ-दूरी के संबंधों को समझने के लिए पूरी छवि को स्कैन करता है। यह पूछता है कि क्या पूरे चेहरे की रोशनी, कोण और गति एक साथ समझ में आती है। यह ग्लोबल ब्रांच उन सूक्ष्म तार्किक त्रुटियों को पकड़ने के लिए डिज़ाइन की गई है जो तब होती हैं जब एक AI चेहरे को बनाने की कोशिश करता है, ऐसी त्रुटियाँ जो यदि आप केवल एक छोटे हिस्से को देखते हैं तो अदृश्य हो सकती हैं।

इस पद्धति की शक्ति इस बात में निहित है कि ये दोनों शाखाएं एक साथ कैसे काम करती हैं। लोकल ब्रांच कंप्रेशन और छेड़छाड़ के भौतिक साक्ष्य को पकड़ती है, जबकि ग्लोबल ब्रांच जालसाजी की तार्किक विसंगतियों को पकड़ती है। जब सिस्टम सूचना के इन दोनों प्रवाहों को संयोजित करता है, तो यह वीडियो की बहुत अधिक मजबूत समझ बनाता है। शोधकर्ताओं ने विभिन्न डीपफेक तकनीकों द्वारा बनाए गए हजारों वीडियो वाले दो प्रमुख डेटासेट्स पर इस दृष्टिकोण का परीक्षण किया। उन्होंने पाया कि उनकी विधि मौजूदा उपकरणों की तुलना में लगातार बेहतर प्रदर्शन करती है, विशेष रूप से तब जब वीडियो अत्यधिक कंप्रेस किए गए हों। उन परीक्षणों में जहाँ वीडियो को कम गुणवत्ता तक कंप्रेस किया गया था, जैसा कि अक्सर सोशल मीडिया पर देखा जाता है, नए तरीके ने लगभग 99 प्रतिशत की सटीकता दर बनाए रखी, जबकि अन्य तरीकों के प्रदर्शन में भारी गिरावट देखी गई। यहाँ तक कि जब इसे एक पूरी तरह से अलग स्रोत के वीडियो पर परीक्षण किया गया जिसे सिस्टम ने पहले कभी नहीं देखा था, तब भी इसने अपने प्रतिस्पर्धियों से बेहतर प्रदर्शन करना जारी रखा, जिससे यह सिद्ध हुआ कि इसने विशिष्ट उदाहरणों को याद करने के बजाय नकली होने के मौलिक संकेतों को सीखा है।

यह अध्ययन प्रदर्शित करता है कि इनपुट डेटा चुनने के लिए एक अधिक वैज्ञानिक दृष्टिकोण, और एक ऐसी प्रणाली के साथ जो सूक्ष्म विवरणों और बड़ी तस्वीर दोनों को देखती है, को मिलाने से वास्तविक दुनिया में डीपफेक का पता लगाने की हमारी क्षमता में उल्लेखनीय सुधार हो सकता है। शोधकर्ताओं ने दिखाया कि दृश्य विशेषताओं के चयन के लिए सांख्यिकी को मार्गदर्शक बनाकर और एक ऐसी प्रणाली बनाकर जो कंप्रेशन आर्टिफैक्ट्स और जालसाजी के निशानों की दोहरी प्रकृति का सम्मान करती है, हम कहीं अधिक लचीले डिटेक्टर बना सकते हैं। यह कार्य यह दावा नहीं करता है कि इसने डीपफेक की समस्या को पूरी तरह से हल कर लिया है, लेकिन यह एक विश्वसनीय और प्रभावी कदम के रूप में एक उपकरण प्रदान करता है, जो वहां काम करता है जहां इसकी सबसे अधिक आवश्यकता है: इंटरनेट के कंप्रेस्ड और शोर वाले वातावरण में जहां सत्य सबसे अधिक असुरक्षित होता है।