同じように呼ばれる2つの異なるもの
完全に生成された画像は、何もないところから始まります。その下地には写真もなければ、センサーの記録も、実際に起きた瞬間もありません。すべてのピクセルはモデルによって作り出され、その人物には名誉を毀損すべきアイデンティティさえ存在しません。なぜなら、そもそも実在しないからです。
ディープフェイクは現実から始まります。その下地には写真や動画があり、実際に起きた瞬間の本物の記録があります。モデルは、特定の領域、通常は顔を、誰か別の人物のレンダリング画像へと置き換えます。
この区別は、法的、編集的、そして技術的な観点から重要です。存在しない医師の生成されたストックフォトは、ライセンスの問題です。一方、本物の医師の顔を身に覚えのない身体に貼り付けた写真は、名誉毀損の問題であり、刑事事件になる可能性もあります。
なぜディープフェイクの特定が難しいのか
検知ツールは画像の統計的なテクスチャを読み取り、どれほどモデルによって生成されたものに近いかを算出します。フレーム全体が合成されている場合、その信号は画像全体に現れるため、スコアは明確です。
顔の入れ替えは、この問題を逆転させます。画像の大半は、センサーのノイズや圧縮履歴を持つ本物の写真であり、フレーム全体の平均値もそれを反映します。巧妙な入れ替えが行われた場合、本質的に悪意のある画像であっても、スコアが30点台になることがあります。
これはモデルの失敗というより、問いの立て方の失敗と言えます。画像が生成されたかどうかを尋ねることは、画像の大部分は本物で、一部だけが合成されているという実態に対して不適切な問い方です。
33というスコアを生み出した平均化こそが、まさに重要なタイルを隠してしまっています。
リージョンマップは、この問いの立て方の問題に対する答えです。重なり合うタイルを個別にスコアリングすることで、局所的な差し替えは、それが属していないフレーム全体で希釈されることなく、その周囲の領域と比較して評価されます。
用語集（登場順）
| 用語 | 状態 | 被写体は本物か？ |
|---|---|---|
| ディープフェイク | 実在の人物の肖像を別の映像に合成したもの | はい |
| 顔の入れ替え（Face swap） | 静止画や動画におけるディープフェイクの一般的な形態 | はい |
| AI生成 | プロンプトから生成され、元の写真がないもの | いいえ |
| AI編集 | 何かが追加または削除された実写写真 | 通常 |
| 合成メディア | 上記すべてを網羅する包括的な用語 | 場合による |
| チープフェイク | キャプション、トリミング、古い日付などで誤認させる本物のメディア | はい |
最後の項目は重要です。なぜなら、これが視覚的な誤情報の最も一般的な形態であり、かつ検知ツールが対応できないものだからです。3年前に他国で撮影された未編集の本物の写真に、現代のニュースであるかのようなキャプションを付けた場合、それは正真正銘の本物の写真としてスコアされます。
ケース別・具体的な対処法
- 写真全体が捏造されていると疑う場合。フレーム全体のチェックを実行します。高いスコアとフラットなマップが表示されれば、結論は明確です。
- 人物が挿入または入れ替えられていると疑う場合。まずリージョンマップを読み取ってください。全体のスコアは過小評価されている可能性があります。
- 文書が改ざんされていると疑う場合。上記と同様です。変更された箇所に正確に1つだけ異常を示すタイルが現れるはずです。
- キャプションが嘘だと疑う場合。検知ツールでは対応できません。画像検索（逆引き検索）を行い、日付と場所を確認してください。
- 動画である場合。全く異なるツールが必要です。フレーム単位の静止画解析では、リアルタイムの顔入れ替えを見抜くための時間的なアーティファクト（不整合）を捉えられません。
なぜこの区別が人々を守るのか
すべての合成画像を同等に扱うと、2つの失敗が同時に起こります。カメラマンを雇う余裕がなく生成されたポートレートを使っただけのような無害なものに注意を払いすぎてしまい、個人を傷つけるような悪質なケースを見落としてしまう可能性があるからです。
有害なのは、画素が人工的であることではなく、実在する特定の個人がやっていないことをやったかのように見せかけることです。そのことこそが問題であり、中程度のスコアを単なる要約として信用すべきではありません。
技術ではなくアイデンティティを中心に内部ポリシーを策定すれば、時代が変化しても対応できます。手法は変わり続けますが、特定の人物が不当に扱われているかどうかという問いは変わりません。
顔の入れ替えはどのように行われるか
生成過程を理解すれば検知の理由が分かります。入れ替えは、対象の写真と、顔を借りる人物の複数の画像から始まります。モデルは、対象写真の照明、角度、表情に合わせてその顔を描画するように学習します。
描画された顔は元のフレームに合成されますが、境目（シーム）の処理が難所です。双方の画像でノイズや圧縮履歴、色調が異なるため、境界線が目立たないようになめらかに加工されます。
そのなめらかな加工処理こそが、リージョンマップが読み取る対象です。加工によってセンサー特有の高周波テクスチャが失われるため、たとえ境界線が見えなくても、統計的には周囲と異なる領域として検知されます。シームは、目には見えなくても、測定可能なのです。
また、なぜ入れ替え画像がフレーム全体のチェックをすり抜けるのかもこれで分かります。操作された領域は小さく、周囲にうまく馴染ませられており、かつフレーム全体の平均値を支配する本物の写真に囲まれているからです。
繰り返し起こる間違い
検知ツールでディープフェイクを調べ、スコアが30点台だと「この画像は本物だ」と結論付けてしまう人がいます。これは正しい数値から導き出された誤った推論です。スコア自体は正確ですが、問いの立て方が誤っています。
これを解決する習慣は簡単です。特定の人物に関する懸念がある画像では、全体の数値を見る前にリージョンマップを開き、平均値ではなく最も反応の大きいタイルを判断材料にしてください。