Dijital medyanın güvenilirliğini tehdit eden copy-move sahteciliği, bir görüntünün belirli bölümlerinin kopyalanarak başka alanlara yapıştırılması yoluyla içeriğin gizlenmesi veya değiştirilmesi işlemidir. Araştırmacılar bu tür manipülasyonları tespit edebilmek için GraphSpecForge adlı yenilikçi bir framework geliştirdi.
Sistemin temel prensibi, önceden eğitilmiş Stable Diffusion U-Net modelinin dikkat grafiklerinin spektral yapısını analiz etmeye dayanıyor. Araştırmacıların keşfettiği önemli bulgulara göre, copy-move manipülasyonları self-attention grafiğinde yaklaşık alt-grafik duplikasyonuna yol açıyor ve bu durum normalleştirilmiş graf Laplacian'ında ölçülebilir spektral yeniden dağılıma sebep oluyor.
GraphSpecForge'un en dikkat çekici özelliği, sahteciliğe özel yeniden eğitime ihtiyaç duymamasıdır. Sistem, görüntü başına Laplacian spektraları ile otantik referans dağılım arasındaki Wasserstein mesafelerini kullanarak görüntü seviyesinde anomali tespiti gerçekleştiriyor.
Dört farklı copy-move benchmark üzerinde yapılan değerlendirmelerde sistem, sahteciliğe özel yeniden eğitim olmaksızın test edildi. 5,128 görüntü içeren RecodAI-LUC veri setinde en iyi konfigürasyonla %60.6 AUROC başarı oranına ulaştı. Bu sonuçlar, dijital medya güvenliği alanında önemli bir ilerleme kaydedildiğini gösteriyor.