Bản đồ nhiệt vùng hiển thị những gì mà điểm số không thể hiện

Liệu toàn bộ khung hình là tổng hợp, hay một phần của bức ảnh thật đã bị thay đổi. Đó là những vấn đề khác nhau với các hậu quả khác nhau, và một điểm số duy nhất đánh giá chúng giống nhau.

Vấn đề với một con số duy nhất

Hãy xem xét hai bức ảnh. Ảnh đầu tiên được tạo ra từ đầu đến cuối và mọi bộ phận của nó đều là tổng hợp. Ảnh thứ hai là một bức ảnh thực tế về một căn phòng thực sự với một vết nứt được thêm vào một bức tường.

Mô hình toàn khung hình rút gọn mỗi ảnh thành một con số duy nhất. Ảnh đầu tiên đạt điểm cao, một cách chính xác. Ảnh thứ hai đạt điểm thấp, bởi vì tám phần chín trong số đó đến từ máy ảnh, và mức trung bình đã làm lu mờ phần chỉnh sửa.

Bức ảnh thứ hai là bức ảnh khiến ai đó mất tiền. Đó là yêu cầu bồi thường bảo hiểm, biên lai bị thay đổi, ảnh danh sách sản phẩm bị giả mạo, hình ảnh tin tức bị thay đổi một chi tiết. Công cụ chỉ báo cáo một con số sẽ bỏ qua điều này.

Ba mẫu

Khi khung hình được chấm điểm theo các ô, ba hình dạng xuất hiện và mỗi hình dạng có ý nghĩa khác nhau.

Mọi ô đều nóng

91 94 89 96 93 90 88 95 92

Tính nhất quán là đặc điểm nhận dạng. Ảnh thật hầu như không bao giờ có điểm số đồng đều như vậy, vì cảnh thật có kết cấu đa dạng.

Một khung hình hoàn toàn do AI tạo ra. Không có phần nào của hình ảnh này đến từ máy ảnh, vì vậy không có ô nào là lạnh.

Một ô nóng, phần còn lại lạnh

14 11 16 12 88 13 9 15 10

Các ô lạnh là ảnh chụp thật bằng máy ảnh. Ô nóng thì không. Đây là mẫu hình mà một con số duy nhất phá hủy.

Một bức ảnh thật có đối tượng được chèn vào. Điểm số toàn khung hình là 31, cho thấy có thể là ảnh thật.

Ấm đều, không có ô nào nóng

58 61 54 63 59 57 55 62 60

Đồng đều ở mức trung bình. Xử lý toàn cục làm tăng mọi thứ lên một chút và không có gì tăng nhiều, đây là dấu vân tay của phần mềm thay vì sự chế tạo.

Một bức ảnh thật đã qua xử lý nặng: chế độ ban đêm, giảm nhiễu, sau đó nén lại.

Cách đọc bản đồ đúng cách

Xem xét khoảng cách trước điểm đỉnh
Khoảng cách giữa ô cao nhất và thấp nhất quan trọng hơn giá trị cao nhất. Khoảng cách rộng chỉ ra việc chỉnh sửa cục bộ; khoảng cách hẹp chỉ ra bất cứ điều gì đã xảy ra với toàn bộ khung hình.
Kiểm tra xem các ô nóng có nằm liền kề nhau không
Các chỉnh sửa thực tế nằm liền kề nhau, vì các đối tượng nằm liền kề nhau. Hai ô nóng nằm cạnh nhau là một điểm chèn hợp lý. Hai ô ở hai góc đối diện thường không phải vậy.
So sánh với hình ảnh thực tế
Xem xét những gì thực sự nằm trong vùng nóng. Nếu vùng đó chứa hư hỏng, giá cả, khuôn mặt hoặc đối tượng đang tranh chấp, điều đó có ý nghĩa. Nếu nó chứa bầu trời trống rỗng, thì có lẽ không phải vậy.
Bỏ qua các ô có ít chi tiết
Các khu vực phẳng như bầu trời, tường hoặc nước mang lại ít tín hiệu hơn và có điểm số ít đáng tin cậy hơn. Một ô nóng bao trùm một bức tường trống xứng đáng nhận được ít trọng số hơn một ô bao trùm một đối tượng chi tiết.
Coih xung đột là sự không chắc chắn
Điểm số khung hình thấp với một số ô nóng nằm rải rác thường là do nén thay vì chỉnh sửa. Đó là lý do để tìm một bản sao tốt hơn, thay vì chia đôi kết quả.

Khi không có bản đồ nào được tạo

Dưới khoảng 576 pixel ở cạnh ngắn hơn, khung hình không thể được chia thành các vùng có đủ chi tiết để chấm điểm độc lập. Bạn chỉ nhận được một con số toàn khung hình.

Đó là một hạn chế thực tế đối với hình thu nhỏ, ảnh hồ sơ và hình ảnh được lấy từ các ứng dụng trò chuyện, đây không may là nơi có rất nhiều hình ảnh đáng ngờ xuất hiện. Tìm một bản sao lớn hơn của cùng một bức ảnh thường là bước tiếp theo hữu ích nhất duy nhất.

Lý do điều này quan trọng hơn độ chính xác

Cải thiện mô hình toàn khung hình từ 91 lên 93 phần trăm thay đổi rất ít đối với ai đó đang kiểm tra ảnh khiếu nại. Việc có thể thấy một góc của khung hình hoạt động khác biệt so với phần còn lại thay đổi hoàn toàn kết quả phát hiện.

Chế độ xem theo vùng cũng làm cho kết quả có thể giải thích được, điều này quan trọng ở bất cứ nơi nào quyết định phải được biện minh sau đó. Người kiểm duyệt, nhân viên xử lý khiếu nại hoặc biên tập viên có thể chỉ vào một phần cụ thể của hình ảnh và nêu lý do tại sao họ xem xét kỹ hơn phần đó. Không ai có thể làm điều đó với một tỷ lệ phần trăm.

Lý do sử dụng các ô chồng lên nhau thay vì một lưới đơn giản

Một lưới đơn giản có một điểm yếu xuất hiện ngay lập tức trong thực tế. Một chỉnh sửa nằm trên ranh giới được chia giữa hai ô, và mỗi ô nhìn thấy một nửa bằng chứng so với một ô đầy đủ gồm các điểm ảnh chân thực. Cả hai đều trả về mức độ vừa phải, và kết quả phát hiện biến mất.

Việc làm chồng các vùng cắt khắc phục điều đó. Mọi điểm trong khung hình đều nằm hoàn toàn bên trong ít nhất một vùng, vì vậy một điểm chèn nhỏ được chấm điểm dựa trên ô mà nó chiếm ưu thế thay vì ô mà nó chia sẻ. Cái giá phải trả là chạy mô hình nhiều lần hơn, trên thiết bị cục bộ thì chỉ mất một giây thay vì tốn kém.

Nó cũng giải thích tại sao các ô liền kề thường sáng lên cùng nhau. Một đối tượng được chèn duy nhất nằm ở hai vùng chồng lên nhau làm tăng cả hai vùng, đó là lý do tại sao sự liền kề là một tín hiệu hỗ trợ chứ không phải là dấu hiệu của hai chỉnh sửa riêng biệt.

Hậu quả thực tế là số lượng ô thay đổi theo hình dạng của hình ảnh. Một khung hình toàn cảnh rộng được chia khác với một ảnh chân dung hình vuông và kích thước lưới được báo cáo cùng với mọi kết quả để bạn có thể thấy khung hình được cắt nhỏ đến mức nào.

Các câu hỏi mọi người thường đặt ra

Bản đồ nhiệt trên một trình phát hiện ảnh AI hiển thị những gì?

Cách phân bố tín hiệu tổng hợp trên toàn khung hình thay vì lấy trung bình trên đó. Mỗi ô được chấm điểm độc lập bởi cùng một mô hình, do đó bạn có thể thấy toàn bộ bức ảnh trông có vẻ do AI tạo ra hay chỉ một phần trong số đó. Hai kết quả đó mang ý nghĩa rất khác nhau.

Vùng nóng có nghĩa là phần đó chắc chắn đã bị chỉnh sửa không?

Không. Điều đó có nghĩa là mô hình tìm thấy tín hiệu mạnh nhất ở đó. Các khu vực phẳng, nén nặng ở một góc hoặc một vùng có kết cấu bất thường đều có thể làm tăng điểm số của một ô mà không cần bất kỳ chỉnh sửa nào. Hãy coi đó là dấu hiệu để tự quan sát bằng mắt thường, thay vì là một kết luận.

Tại sao điểm số toàn khung hình thấp hơn ô cao nhất?

Vì điểm số đó được tính toán trên toàn khung hình thay vì là giá trị tối đa của các ô. Một khu vực chân thực lớn kéo kết quả tổng thể xuống. Đó chính xác là lý do tại sao cả hai con số đều được báo cáo thay vì chỉ một.

Có bao nhiêu vùng được chấm điểm?

Tùy thuộc vào hình dạng và kích thước của hình ảnh, thường là từ sáu đến mười hai ô chồng lên nhau. Kích thước lưới được hiển thị cùng với kết quả để bạn có thể thấy khung hình được chia nhỏ đến mức nào.

Tôi có thể dùng bản đồ để chứng minh phần nào đã bị chỉnh sửa không?

Không, và đây là hiện tượng hiểu lầm phổ biến nhất. Bản đồ hiển thị nơi tín hiệu thống kê tập trung, không phải là phác thảo của một thao tác chỉnh sửa. Nó hỗ trợ con người xem xét kỹ một khu vực cụ thể; nó không đóng vai trò là một kết luận tự thân.

Điều gì xảy ra nếu mọi ô đều khác nhau mà không có quy luật nào?

Điều đó thường có nghĩa là bức ảnh đã trải qua quá trình xử lý đủ nhiều khiến tín hiệu theo vùng chỉ là nhiễu. Các giá trị rải rác không có tính liền kề và không có mối quan hệ với nội dung là dấu hiệu cho thấy tệp hoàn toàn không thể cung cấp một kết quả đáng tin cậy.