MCFN: A Lightweight Multi-Path Compound Fusion Network for Deepfake Face Detection

डिजिटल दर्पण और अदृश्य स्याही

एक ऐसी दुनिया की कल्पना करें जहाँ आपकी डिजिटल फोटो सिर्फ एक तस्वीर नहीं, बल्कि एक जीवित, सांस लेती झूठ हो। यह डीपफेक (deepfakes) का क्षेत्र है, एक ऐसी तकनीक जो चेहरों को बदलने, आवाज़ों की नकल करने और पूरी तरह से नकली वीडियो बनाने के लिए शक्तिशाली कंप्यूटर प्रोग्रामों का उपयोग करती है जो इतने वास्तविक लगते हैं कि आपकी अपनी आँखें भी अंतर नहीं कर पातीं। यह एक उस्ताद जालसाज की तरह है जो न केवल एक पेंटिंग की नकल करता है; बल्कि वह कैनवास, ब्रश के स्ट्रोक और कलाकार के हाथ को इतनी पूर्णता से फिर से बनाता है कि असली और नकली के बीच अंतर करना असंभव हो जाता है। यह हमारे डिजिटल विश्वास के लिए एक बड़ी समस्या पैदा करता है। यदि हम यह नहीं बता सकते कि क्या वास्तविक है, तो हम कैसे जान सकते हैं कि क्या सत्य है?

इन डिजिटल जालसाजी को पकड़ने के लिए, वैज्ञानिक "जासूस" बना रहे हैं—ऐसे कंप्यूटर प्रोग्राम जिन्हें उन सूक्ष्म गलतियों को पहचानने के लिए डिज़ाइन किया गया है जो नकली वीडियो पीछे छोड़ देते हैं। इसे एक फॉरेंसिक विशेषज्ञ की तरह समझें जो पेंट के धब्बे या उस फिंगरप्रिंट की तलाश कर रहा है जो वहां नहीं होना चाहिए था। इनमें से अधिकांश जासूस केवल एक ही जगह देख रहे थे: स्पेशियल डोमेन (spatial domain), जो मूल रूप से केवल तस्वीर खुद है, पिक्सेल दर पिक्सेल। वे अजीब बनावट या अजीब आकृतियों की तलाश करते हैं। लेकिन यहाँ एक पेच है: जैसे एक मास्टर चोर कीचड़ में पैरों के निशान छोड़ सकता है लेकिन अपने आसपास की हवा के दबाव को भी बाधित कर सकता है, डीपफेक कई अलग-अलग "भाषाओं" में सुराग छोड़ते हैं। वे किनारों (edges) (जहाँ एक चीज़ दूसरी से मिलती है), आवृत्तियों (frequencies) (प्रकाश और ध्वनि के छिपे हुए पैटर्न जिन्हें हमारी आँखें नहीं देख सकतीं), और बनावट (textures) (सतह कितनी चिकनी या खुरदरी दिखती है) में निशान छोड़ते हैं। यदि एक जासूस केवल पैरों के निशानों को देखता है, तो वह हवा के दबाव के सुरागों को मिस कर सकता है। यह वह बड़ा सवाल है जिसे इस शोध पत्र के शोधकर्ता हल कर रहे हैं: हम एक ऐसा जासूस कैसे बनाएं जो बिना किसी महंगे सुपर-कंप्यूटर की आवश्यकता के, जालसाज को पकड़ने के लिए एक साथ इन सभी अलग-अलग भाषाओं को पढ़ सके?

MCFN से मिलिए: तीन जोड़ी आँखों वाला जासूस

इस शोध पत्र में, लेखक एक नया जासूस पेश करते हैं जिसे MCFN (मल्टी-पाथ कंपाउंड फ्यूजन नेटवर्क) कहा जाता है। एक चेहरे को देखने के लिए एक जोड़ी आँखों का उपयोग करने के बजाय, MCFN तीन समानांतर "पथों" या दृष्टि की धाराओं का उपयोग करता है, जिनमें से प्रत्येक एक अलग प्रकार के सुराग में विशेषज्ञ है।

कल्पना कीजिए कि आप एक संग्रहालय में नकली पेंटिंग को पकड़ने की कोशिश कर रहे हैं।

1. पथ A (टेक्सचर जासूस): यह पथ छवि की "त्वचा" को देखता है। यह जाँचता है कि क्या बनावट प्राकृतिक है, जैसे वास्तविक त्वचा, या क्या इसमें वह अजीब, प्लास्टिक जैसी चिकनापन है जो अक्सर AI-जनरेटेड चेहरों में पाया जाता है।
2. पथ B (एज जासूस): यह पथ रंगों को अनदेखा करता है और केवल बाहरी रेखाओं (outlines) पर ध्यान केंद्रित करता है। यह चेहरे के किनारों की जाँच करने के लिए गणितीय उपकरणों (जैसे स्केल और प्रोटेक्टर) का उपयोग करता है। यदि किसी शरीर पर चेहरा बदला गया है, तो गर्दन और कंधों के मिलने वाले किनारे थोड़े धुंधले या ऊबड़-खाबड़ हो सकते हैं। यह पथ उन "जोड़ों" (seams) के प्रति अति-संवेदनशील है।
3. पथ C (फ्रीक्वेंसी जासूस): यह सबसे दिलचस्प हिस्सा है। यह तस्वीर को बिल्कुल नहीं देखता; यह तस्वीर के "संगीत" को देखता है। हर छवि प्रकाश की तरंगों से बनी होती है। AI जनरेटर अक्सर इन तरंगों में एक विशिष्ट "गूँज" या दोहरा पैटर्न (जैसे चेकरबोर्ड पैटर्न) छोड़ देते हैं जिसे मानवीय आँखें नहीं देख सकतीं। यह पथ उस गूँज को सुनने के लिए है।

जादुई गोंद: द कंपाउंड फ्यूजन मॉड्यूल
यहीं पर MCFN वास्तव में चतुर हो जाता है। पुराने सिस्टमों में, ये तीन जासूस अलग-अलग काम करते थे और अंत में बस एक बॉस को अपना निष्कर्ष चिल्लाकर बताते थे। हालाँकि, MCFN में एक "कंपाउंड फ्यूजन मॉड्यूल" है। इसे एक गोलमेज चर्चा के रूप में सोचें जहाँ टेक्सचर, एज और फ्रीक्वेंसी जासूस अंतिम निर्णय लेने से पहले आपस में बैठते हैं। वे अपने नोट्स साझा करते हैं। एज जासूस कहता है, "हे, मुझे यहाँ एक अजीब सी जोड़ दिख रही है," और फ्रीक्वेंसी जासूस उत्तर देता है, "ओह, वहीं पर अजीब गूँज भी है!" वे अपने सुरागों को एक एकल, सुपर-चार्ज्ड "संकेत" में मिला देते हैं।

द FiLM कंडीशनर: मुख्य मस्तिष्क को ट्यून करना
इस संयुक्त संकेत का उपयोग फिर सिस्टम के मुख्य मस्तिष्क को ट्यून करने के लिए किया जाता है, जो एक मानक इमेज-रिकग्निशन इंजन है जिसे EfficientNet-B0 कहा जाता है। लेखक FiLM (फीचर-वाइज लीनियर मॉड्यूलेशन) नामक तकनीक का उपयोग करते हैं। कल्पना कीजिए कि मुख्य मस्तिष्क एक गीत बजा रहा संगीतकार है। तीन जासूसों से मिलने वाला "संकेत" एक कंडक्टर की तरह है जो आकर कहता है, "यहाँ ड्रम तेज़ बजाओ, और वहाँ गिटार को धीमा करो।" यह मुख्य मस्तिष्क को केवल अनुमान लगाने के बजाय, अन्य पथों द्वारा चिह्नित संदिग्ध स्थानों पर अपना ध्यान तुरंत केंद्रित करने की अनुमति देता है।

उन्हें क्या मिला

शोधकर्ताओं ने हजारों असली और नकली चेहरों वाले चार "अपराध स्थलों" (डेटासेट्स) पर MCFN का परीक्षण किया, जिसमें कुछ सबसे प्रसिद्ध और कठिन पहचान वाले डीपफेक शामिल हैं।

• परिणाम: MCFN ने न केवल अच्छा प्रदर्शन किया; बल्कि इसने सर्वश्रेष्ठ प्रदर्शन किया। FaceForensics++ डेटासेट पर, इसने 95.12% सटीकता प्राप्त की। कठिन Celeb-DF डेटासेट पर, इसने 97.05% सटीकता हासिल की। यहाँ तक कि Google DFD डेटासेट पर भी, जो अपनी कठिन पहचान के लिए जाना जाता है, इसने 84.64% सटीकता दर्ज की।
• दक्षता: आमतौर पर, बेहतर परिणाम प्राप्त करने के लिए, आपको एक बड़े, भारी कंप्यूटर मॉडल की आवश्यकता होती है। लेकिन MCFN आश्चर्यजनक रूप से हल्का है। इसमें केवल 6.33 मिलियन ट्रेन करने योग्य पैरामीटर हैं। तुलना के लिए, यह कई अन्य शीर्ष-स्तरीय मॉडलों (जैसे Xception, जिसमें 20 मिलियन से अधिक पैरामीटर हैं) की तुलना में बहुत छोटा है। यह एक कॉम्पैक्ट कार में फेरारी की गति प्राप्त करने जैसा है।
• "क्यों" (एब्लेशन स्टडी): लेखकों ने एक श्रृंखला में परीक्षण किए जहाँ उन्होंने एक समय में एक हिस्से को हटाकर देखा कि क्या महत्वपूर्ण था।
  • जब उन्होंने FiLM कंडीशनिंग (कंडक्टर) को हटाया, तो सटीकता में सबसे अधिक गिरावट (लग लगभग 2.55 प्रतिशत अंक) आई। इससे सिद्ध हुआ कि "संकेत" को मुख्य मस्तिष्क का मार्गदर्शन करने देना सबसे महत्वपूर्ण कदम है।
  • जब उन्होंने कंपाउंड फ्यूजन (गोलमेज चर्चा) को हटाया, तो सटीकता भी काफी कम हो गई, जिससे पता चला कि प्रभावी होने के लिए जासूसों को आपस में बात करना अनिवार्य है।
  • केवल एज या फ्रीक्वेंसी पथ को हटाने से भी प्रदर्शन प्रभावित हुआ, जो साबित करता है कि आपको वास्तव में तीनों प्रकार के सुरागों की आवश्यकता है।

निचोड़

यह शोध पत्र सुझाव देता है कि MCFN डीपफेक को पकड़ने का एक अत्यधिक प्रभावी, हल्का और सामान्यीकरण योग्य तरीका है। यह केवल एक प्रकार के सुराग पर निर्भर नहीं है; यह टेक्सचर, एज और छिपे हुए फ्रीक्वेंसी पैटर्न को एक एकल, शक्तिशाली सिग्नल में मिलाता है जो पहचान प्रक्रिया का मार्गदर्शन करता है। लेखक दिखाते हैं कि यह दृष्टिकोण कई वर्तमान अत्याधुनिक तरीकों की तुलना में बेहतर काम करता है, भले ही मॉडल बहुत छोटा और तेज़ हो।

हालाँकि, लेखक सावधानीपूर्वक नोट करते हैं कि यह समय का एक स्नैपशॉट है। उन्होंने मॉडल का परीक्षण विशिष्ट डेटासेट्स पर किया है, और वे स्वीकार करते हैं कि भविष्य के डीपफेक इन विशिष्ट सुरागों को छिपाने के लिए विकसित हो सकते हैं। वे यह भी बताते हैं कि उनका वर्तमान मॉडल सिंगल फ्रेम (तस्वीरों) को देखता है और इसने अभी तक "मूवी" पहलू (समय) का उपयोग करके नकली पकड़ने के बारे में नहीं सीखा है। लेकिन फिलहाल के लिए, MCFN डिजिटल वास्तविकता को वास्तविक बनाए रखने की लड़ाई में एक मजबूत, कुशल और चतुर नया उपकरण है।