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

Resumo Técnico: Análise de Resposta de Compressão JPEG Multi-Escala Controlada por Formato para Triagem de Falsificação de Nível de Imagem

Definição do Problema

A detecção de falsificação de imagens é um componente crítico da forense digital, contudo, muitas abordagens de aprendizado profundo de última geração (ex: ManTra-Net, MVSS-Net) são computacionalmente dispendiosas, exigem aceleração por GPU e carecem de interpretabilidade. Além disso, existe uma falha metodológica significativa nas avaliações utilizando o conjunto de dados CASIA v2.0: um "confundimento de formato" (format confound) onde 60% das imagens adulteradas são armazenadas como arquivos TIFF, enquanto todas as imagens autênticas são JPEG ou BMP. Isso permite que classificadores triviais baseados apenas em metadados de arquivo (ex: is_tiff) alcancem pontuações de AUC elevadas (0,80–0,92), potencialmente inflando o desempenho percebido de métodos forenses que não controlam explicitamente este viés. O desafio é desenvolver um método de triagem leve, interpretável e baseado em CPU, que detecte inconsistências genuínas de histórico de compressão em vez de atalhos de formato de arquivo.

Metodologia

Os autores propõem um pipeline de engenharia de características leve utilizando Árvores de Gradiente Impulsionado (HistGradientBoostingClassifier) para classificar imagens como autênticas ou falsificadas com base em um vetor de características de 405 dimensões. O pipeline opera inteiramente em CPU e processa imagens em menos de 0,5 segundos.

1. Pré-processamento:
As imagens são convertidas para RGB e redimensionadas (dimensão máxima de 1024px) para garantir a extração consistente de características, preservando simultaneamente os detalhes.

2. Famílias de Extração de Características:
O núcleo do método envolve sete famílias distintas de características:

• Análise de Nível de Erro Multi-Escala (ELA) (266 características): Em vez de um único fator de qualidade, os resíduos ELA são computados em sete níveis de qualidade JPEG ($q \in \{30, 50, 60, 75, 80, 90, 95\}$). Para cada nível, são extraídas estatísticas globais (média, desvio padrão, percentis, fração de alto resíduo) e estatísticas de grade espacial (média/desvio padrão de uma grade 4x4). Isso captura artefatos de compressão através de todo o espectro de qualidade, tornando o método robusto a históricos de compressão originais desconhecidos.
• Razões de ELA de Qualidade Cruzada (16 características): Razões pareadas de mapas ELA entre níveis de qualidade específicos (ex: 30/90, 50/90) são computadas. Estas razões são projetadas para serem invariantes à magnitude absoluta do resíduo e visam especificamente assinaturas de compressão JPEG dupla, características de regiões de sobreposição (spliced regions).
• Entropia ELA (18 características): A entropia de Shannon do mapa ELA (em $q=50$) é calculada através de uma grade 4x4 para detectar heterogeneidade informacional-teórica localizada em fronteiras de manipulação.
• Bandas de Energia Radial FFT (6 características): A 2D DFT da imagem em tons de cinza é analisada através de bandas de frequência radiais concêntricas para detectar artefatos de borda de alta frequência introduzidos por sobreposição (splicing).
• Densidade de Borda (20 características): Estatísticas de magnitude de gradiente de Sobel (global e grade 4x4) para detectar descontinuidades espaciais.
• Resíduos de Esteganálise SRM (27 características): Resíduos de filtro passa-alta (Fridrich & Kodovský) aplicados aos canais RGB para capturar inconsistências no domínio do ruído.
• Blockiness, Ruído e Cor de DCT (52 características): Medidas de razões de borda-para-interior de DCT, variância de ruído Laplaciano e estatísticas de cor inter-canal.

3. Classificação:
O vetor de 405 dimensões é classificado usando um HistGradientBoostingClassifier com parada antecipada (early stopping), regularização L2 e ponderação de amostra de frequência inversa para lidar com o desequilíbrio de classes.

Principais Contribuições

1. Avaliação Controlada por Formato: O artigo aborda rigorosamente o confundimento de formato do CASIA v2.0. Ao avaliar exclusivamente o subconjunto apenas-JPEG (9.501 imagens), os autores demonstram que seu método detecta inconsistências de histórico de compressão em vez de atalhos de formato de arquivo.
2. Inovação de ELA Multi-Escala: A introdução de ELA computado em sete níveis de qualidade é identificada como o fator dominante de desempenho, superando a sensibilidade do ELA de qualidade única ao fator de compressão original desconhecido.
3. Pipeline Leve e Interpretável: O método alcança alto desempenho sem aceleração por GPU, oferecendo inferência de sub-segundo e interpretabilidade ao nível de característica (ex: ligar a alta variância da grade ELA a um histórico de compressão espacialmente inconsistente).
4. Delimitação de Escopo: Através de testes de transferência externa, o artigo define explicitamente o escopo operacional do método: eficaz para detectar processamento heterogêneo (sobreposição de fontes distintas), mas limitado para operações de cópia-cola (copy-move) da mesma imagem que preservam a uniformidade da compressão.

Resultados Experimentais

Avaliado no subconjunto apenas-JPEG do CASIA v2.0 usando validação cruzada estratificada de 5 dobras:

• Desempenho Primário: O método alcança um AUC de 0,990 [95% CI: 0,988–0,991] e um F1 score de 0,905.
• Divisão Consciente da Fonte (Source-Aware Split): Sob uma divisão de grupo conservadora (impedindo imagens relacionadas no treino/teste), o AUC permanece alto em 0,976.
• Estudo de Ablação:
  • ELA de qualidade única ($q=75$) produz AUC 0,806.
  • ELA multi-escala (7 níveis) sozinho salta para AUC 0,986 (+0,180 de ganho).
  • Razões de qualidade cruzada sozinhas alcançam AUC 0,985, demonstrando que o comportamento relativo da compressão é altamente discriminativo.
  • O vetor completo de 405 características atinge 0,990, com características auxiliares (entropia, FFT, SRM) fornecendo robustez marginal, mas complementar.
• Robustez: O desempenho degrada-se graciosamente sob pós-processamento (ex: AUC 0,896 sob redução de escala de 50%), consistente com um método que depende de traços finos de quantização.
• Transferência Externa:
  • Blocos de Splicing Columbia: AUC 0,708 (acima do acaso).
  • CoMoFoD Copy-Move: AUC 0,499 (nível de acaso). Isso confirma que o método detecta inconsistência de histórico de compressão (processamento heterogêneo) em vez de duplicação genérica, já que o copy-move do CoMoFoD preserva a uniformidade da compressão.

Significância e Alegações

O artigo afirma que características de resposta de compressão JPEG cuidadosamente projetadas podem fornecer uma forte triagem de falsificação de nível de imagem com interpretabilidade ao nível de característica e implantação apenas em CPU. Crucialmente, afirma que a avaliação controlada por formato é essencial ao utilizar o CASIA v2.0; resultados anteriores reportados sem esses controles podem ser suscetíveis à inflação relacionada ao formato.

Os autores posicionam seu trabalho não como uma solução universal para todas as manipulações de imagem (notando limitações com conteúdo gerado por IA e copy-move da mesma imagem), mas como uma ferramenta de triagem altamente eficaz e interpretável para detectar processamento heterogêneo e desajustes de histórico de compressão em imagens comprimidas via JPEG. Os resultados apoiam a conclusão de que o sucesso do método advém da detecção de traços forenses genuínos, e não de vieses do conjunto de dados.