9770

بررسي روش هاي تشخيص تصاوير چهره توليد شده توسط هوش مصنوعي و ارائه راهكار براي مقابله با آن

كارشناسي

مهندسي كامپيوتر

1404

دكتر آرش عبدي هجراندوست

1404/06/30

مهندسي كامپيوتر

رشد فزاينده توليد تصاوير چهره مصنوعي با استفاده از مدل‌هاي مولد (GANها و مدل‌هاي ديفيوژني) و تكنيك‌هاي جابجايي چهره، چالش‌هاي جدي در امنيت اطلاعات و راستي‌آزمايي محتوا ايجاد كرده است. اين پژوهش يك سامانه تشخيص چندوجهي ارائه مي‌دهد كه از تركيب شش معماري پيشرفته (ResNet50, InceptionV3, DenseNet121, MobileNetV3-Large, EfficientNetV2-S, ConvNeXt-Base) و يك فرا‌مدل XGBoost بهره مي‌برد. خروجي‌هاي احتمالاتي مدل‌هاي پايه با ويژگي‌هاي آماري مهندسي‌شده (ميانگين، واريانس، چارك‌ها) تركيب و به فرا‌مدل تغذيه مي‌شوند تا تصميم‌گيري نهايي با پايداري و دقت بالاتر انجام شود. سامانه پيشنهادي با چارچوب PyTorch پياده‌سازي و با تكنيك‌هاي بهينه‌سازي آموزشي و وزن‌دهي نمونه‌ها براي مديريت نامتوازني كلاس‌ها، ارتقا يافته است. براي كاربردپذيري، يك رابط كاربري گرافيكي (PyQt) توسعه داده شده است كه پشتيباني از پيش‌بيني تك‌تصوير و دسته‌اي را با گزارش‌دهي اطمينان و تاريخچه فراهم مي‌كند. ارزيابي‌ها روي مجموعه‌داده‌هاي ناهمگون (140K Real & Fake Faces و DFWild-Cup) با معيارهاي AUC, F1-score و Accuracy انجام شد. نتايج نشان مي‌دهد فرا‌مدل پيشنهادي با دقت 98٪ عملكردي برتر نسبت به مدل‌هاي پايه دارد و در برابر مخدوش‌سازي‌هاي رايج (فشرده‌سازي JPEG، تغيير مقياس) پايدار است. با اين حال، جابجايي دامنه (مانند گذار از GAN به face-swap) همچنان چالش اصلي است. براي رفع اين محدوديت، راهكارهايي مانند آميختن دامنه‌ها، داده افزايي هدفمند و كاليبراسيون احتمال به‌عنوان گام‌هاي آتي پيشنهاد مي‌شوند.

تشخيص ديپ‌فيك؛ چهره مصنوعي؛ يادگيري عميق؛ بينايي ماشين؛ شبكه عصبي كانولوشني.