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

Technische Samenvatting: Formaat-gecontroleerde Multi-schaal JPEG Compressie Respons Analyse voor Image-Level Forgery Screening

Probleemstelling

Detectie van beeldvervalsing is een cruciaal onderdeel van digitale forensica, maar veel geavanceerde deep learning-benaderingen (bijv. ManTra-Net, MVSS-Net) zijn computationeel duur, vereisen GPU-acceleratie en missen interpreteerbaarheid. Bovendien bestaat er een significante methodologische fout in evaluaties met de CASIA v2.0 dataset: een "formaat-confound" waarbij 60% van de gemanipuleerde afbeeldingen als TIFF-bestanden zijn opgeslagen, terwijl alle authentieke afbeeldingen JPEG of BMP zijn. Dit maakt triviale classificaties mogelijk op basis van enkel bestandsmetadata (bijv. is_tiff) die hoge AUC-scores (0.80–0.92) behalen, wat potentieel de waargenomen prestaties van forensische methoden kan opblazen die deze bias niet expliciet controleren. De uitdaging is het ontwikkelen van een lichtgewicht, interpreteerbare, CPU-gebaseerde screeningsmethode die werkelijke inconsistenties in de compressiegeschiedenis detecteert in plaats van file-format shortcuts.

Methodologie

De auteurs stellen een lichtgewicht feature engineering-pipeline voor die gebruikmaakt van Gradient Boosted Trees (HistGradientBoostingClassifier) om afbeeldingen te classificeren als authentiek of vervalst op basis van een 405-dimensionale feature-vector. De pipeline werkt volledig op de CPU en verwerkt afbeeldingen in minder dan 0,5 seconde.

1. Preprocessing:
Afbeeldingen worden omgezet naar RGB en geschaald (maximale dimensie 1024px) om consistente feature-extractie te waarborgen terwijl details behouden blijven.

2. Feature Extraction Families:
De kern van de methode bestaat uit zeven verschillende feature-families:

• Multi-schaal Error Level Analysis (ELA) (266 features): In plaats van een enkele kwaliteit-factor, worden ELA-residuen berekend bij zeven JPEG-kwaliteitsniveaus ($q \in \{30, 50, 60, 75, 80, 90, 95\}$). Voor elk niveau worden globale statistieken (gemiddelde, std, percentielen, hoog-residuele fractie) en ruimtelijke roosterstatistieken (4x4 rooster gemiddelde/std) geëxtraheerd. Dit legt compressie-artefacten vast over het volledige kwaliteits-spectrum, waardoor de methode robuust is tegen onbekende originele compressiegeschiedenissen.
• Cross-Quality ELA Ratio's (16 features): Paarsgewijze ratio's van ELA-kaarten tussen specifieke kwaliteitsniveaus (bijv. 30/90, 50/90) worden berekend. Deze ratio's zijn ontworpen om invariant te zijn voor de absolute residu-amplitude en richten zich specifiek op de dubbele JPEG-compressie-signaturen die kenmerkend zijn voor gesplicete regio's.
• ELA Entropie (18 features): De Shannon-entropie van de ELA-kaart (bij $q=50$) wordt berekend over een 4x4 rooster om gelokaliseerde informatie-theoretische heterogeniteit bij manipulatiegrenzen te detecteren.
• FFT Radiale Energiebanden (6 features): De 2D DFT van de grijswaardenafbeelding wordt geanalyseerd over concentrische radiale frequentiebanden om hoogfrequente rand-artefacten te detecteren die door splicing worden geïntroduceerd.
• Edge Density (20 features): Sobel-gradiëntmagnitude-statistieken (globaal en 4x4 rooster) om ruimtelijke discontinuïteiten te detecteren.
• SRM Steganalysis Residuen (27 features): High-pass filter residuen (Fridrich & Kodovský) toegepast op RGB-kanalen om ruis-domein inconsistenties te vangen.
• DCT Blockiness, Noise, en Color (52 features): Maatstaven voor DCT-boundary-to-interior ratio's, Laplaciaanse ruisvariantie en inter-kanaal kleurstatistieken.

3. Classificatie:
De 405-dimensionale vector wordt geclassificeerd met een HistGradientBoostingClassifier met early stopping, L2-regularisatie en inverse-frequency sample weighting om klassenimbalans aan te pakken.

Belangrijkste Bijdragen

1. Formaat-gecontroleerde Evaluatie: Het artikel adresseert rigoureus de CASIA v2.0 formaat-confound. Door uitsluitend te evalueren op de JPEG-only subset (9.501 afbeeldingen), demonstreren de auteurs dat hun methode inconsistenties in de compressiegeschiedenis detecteert in plaats van file-format shortcuts.
2. Multi-schaal ELA Innovatie: De introductie van ELA berekend over zeven kwaliteitsniveaus wordt geïdentificeerd als de dominante factor voor prestaties, wat de gevoeligheid van single-quality ELA voor onbekende originele compressiefactoren overwint.
3. Lichtgewicht & Interpreteerbare Pipeline: De methode bereikt hoge prestaties zonder GPU-acceleratie, biedt sub-seconde inferentie en feature-level interpreteerbaarheid (bijv. het koppelen van hoge ELA-rooster-variantie aan ruimtelijk inconsistente compressiegeschiedenis).
4. Afbakening van de Scope: Via externe transfertests definieert het artikel expliciet de operationele scope van de methode: effectief voor het detecteren van heterogene verwerking (cross-source splicing), maar beperkt voor dezelfde-afbeelding copy-move operaties die compressie-uniformiteit behouden.

Experimentele Resultaten

Geëvalueerd op de CASIA v2.0 JPEG-only subset met behulp van 5-voudige gestratificeerde cross-validatie:

• Primaire Prestaties: De methode bereikt een AUC van 0.990 [95% CI: 0.988–0.991] en een F1-score van 0.905.
• Source-Aware Split: Onder een conservatieve groep-split (die gerelateerde afbeeldingen in train/test voorkomt), blijft de AUC hoog op 0.976.
• Ablatie Studie:
  • Single-quality ELA ($q=75$) levert een AUC van 0.806.
  • Multi-schaal ELA (7 niveaus) alleen springt naar AUC 0.986 (+0.180 winst).
  • Cross-quality ratio's alleen bereiken AUC 0.985, wat aantoont dat relatief compressiegedrag zeer discriminerend is.
  • De volledige 405-feature vector bereikt 0.990, waarbij aanvullende features (entropie, FFT, SRM) marginaal maar complementair bijdragen aan de robuustheid.
• Robuustheid: Prestaties nemen geleidelijk af onder post-processing (bijv. AUC 0.896 onder 50% downscaling), consistent met een methode die steunt op fijnmazige kwantisatie-sporen.
• Externe Transfer:
  • Columbia Splicing Blocks: AUC 0.708 (boven kansniveau).
  • CoMoFoD Copy-Move: AUC 0.499 (kansniveau). Dit bevestigt dat de methode compressiegeschiedenis-inconsistentie (heterogene verwerking) detecteert in plaats van generieke duplicatie, aangezien CoMoFoD's copy-move de compressie-uniformiteit behoudt.

Betekenis en Claims

Het artikel claimt dat zorgvuldig ontworpen JPEG-compressierespons-features sterke image-level forgery screening kunnen bieden met feature-level interpreteerbaarheid en CPU-only inzetbaarheid. Cruciaal is de stelling dat formaat-gecontroleerde evaluatie essentieel is bij het gebruik van CASIA v2.0; eerdere resultaten die zonder dergelijke controles werden gerapporteerd, kunnen vatbaar zijn voor formaat-gerelateerde inflatie.

De auteurs positioneren hun werk niet als een universele oplossing voor alle beeldmanipulaties (waarbij zij beperkingen noemen voor AI-gegenereerde content en dezelfde-afbeelding copy-move), maar als een zeer effectief, interpreteerbaar screeningsinstrument voor het detecteren van heterogene verwerking en compressiegeschiedenis-mismatches in JPEG-gecomprimeerde beelden. De resultaten ondersteunen de conclusie dat het succes van de methode voortkomt uit het detecteren van echte forensische sporen in plaats van dataset-biases.