Главная › Новости

Как распознать генеративные подделки на фотографиях

Опубликовано: 27.06.2026

Появление открытых моделей для манипуляции изображениями привело к массовому распространению контента, в котором реальные люди оказываются в скомпонованных ситуациях. Один из наиболее обсуждаемых типов — программы, убирающие одежду с фотографий. Технически это вариация дипфейков, и у таких изображений есть характерные признаки, которые позволяют выявить подделку.

Как работают нейросети для создания таких изображений

Алгоритмы этого класса строятся на архитектуре GAN (генеративно-состязательные сети) или используют диффузионные модели. Сеть обучается на двух наборах данных: изображения людей в одежде и изображения обнажённых тел. Задача генератора — создать правдоподобную картину перехода, а дискриминатор оценивает, насколько результат похож на настоящую фотографию.

На практике процесс выглядит так: пользователь загружает фото, алгоритм определяет силуэт человека, маскирует область одежды и заполняет её сгенерированным фрагментом. Качество результата сильно зависит от исходника — поза, освещение, разрешение и тип ткани всё влияют на финальный кадр.

Ключевое ограничение таких систем: они не «убирают» одежду, а дорисовывают то, что с вероятностью должно находиться underneath. Это всегда композит, а не раскрытие скрытого.

Визуальные маркеры подделки

Даже качественные генерации оставляют следы. Человеческий глаз при некоторой тренировке улавливает большинство из них.

• Границы перехода. Самый частый дефект — несовпадение текстур кожи на исходном и сгенерированном участках. Разный оттенок, разная зернистость, видимый шов.
• Анатомические ошибки. Количество пальцев, длина конечностей, асимметрия плеч, невозможный изгиб позвоночника. Нейросети пока плохо понимают трёхмерную структуру тела.
• Артефакты на фоне. При заполнении области алгоритм может захватить кусок фона и исказить его: плавающие линии, дублирование объектов, размытые пятна там, где должна быть чёткая текстура.
• Тени и освещение. Направление света на сгенерированном фрагменте часто не совпадает с остальным кадром. Тени могут отсутствовать вообще или падать под невозможным углом.
• Текстуры тканей. Если одежда не убрана полностью, а лишь частично модифицирована, граница ткани выглядит «плавленой» или содержит микроскопический шум, не свойственный реальным материалам.

Для проверки полезно увеличить изображение до 200–300% и просканировать границы между исходной и подозрительной зоной. При мобильном экране это сделать почти невозможно.

Программные инструменты детекции

Визуальная оценка субъективна и требует опыта. Программные детекторы работают иначе — они анализируют распределение шумов, частотные характеристики и метаданные.

Анализаторы шумовых паттернов

Каждая камера оставляет уникальный шумовой отпечаток (PRNU — Photo-Response Non-Uniformity). Генеративные модели добавляют собственный шум, который отличается от камерного. Инструменты типа Noiseprint или ForensicDet извлекают карту шумов и показывают участки с аномалиями. Если область тела светится на шумовой карте иначе, чем лицо или фон — это весомый признак композита.

Детекторы на основе машинного обучения

Существуют модели, специально обученные различать генерации и реальные снимки. Они ищут паттерны, незаметные человеку: специфическую высокочастотную структуру, характерную для GAN-вывода, или аномалии в градиентах пикселей. Среди доступных решений можно выделить несколько подходов:

Тип детектора Принцип работы Ограничения Классификаторы GAN/Real Определяют, принадлежит ли изображение распределению реальных фото или сгенерировано Быстро устаревают при выходе новых генеративных моделей Анализаторы частотных доменов Ищут спектральные аномалии, характерные для диффузионных моделей Могут давать ложные срабатывания на сильно сжатые JPEG Детекторы локальных манипуляций Выделяют конкретные участки изображения, подвергшиеся редактированию Требуют высокого разрешения исходника

Ни один детектор не даёт стопроцентной гарантии. Комбинация двух-трёх инструментов повышает уверенность, но финальное заключение всё равно требует экспертной оценки.

Анализ EXIF и метаданных

Базовый шаг, который часто пропускают. Метаданные могут содержать информацию о программном обеспечении, использованном для обработки. Некоторые генераторы оставляют следы в полях Software или Artist. Отсутствие метаданных вообще — тоже сигнал, хотя многие соцсети их удаляют при загрузке.

Практические рекомендации по проверке

Алгоритм действий при необходимости верифицировать изображение:

1. Получить оригинальный файл максимального разрешения. Скриншоты с экрана или пересылки в мессенджерах сжаты и малопригодны для анализа.
2. Проверить метаданные на предмет следов редактирования или нестандартного софта.
3. Пройти визуальный осмотр на предмет анатомических и световых несостыковок.
4. Прогнать через шумовой анализатор и сравнить паттерны на разных участках кадра.
5. Использовать машинный детектор как дополнительную проверку.

Если хотя бы два метода из четырёх указывают на манипуляцию — вероятность подделки высока. Один положительный результат из пяти — основание для сомнений, но не для категоричного вывода.

Юридические и этические аспекты

Создание и распространение изображений, в которых реальный человек показан в обнажённом виде без его согласия, квалифицируется как нарушение персональных данных и может подпадать под статьи о клевете, распространении порочащих сведений или незаконном обороте персональных данных. В ряде юрисдикций появились отдельные нормы, прямо запрещающие deepfake-порнографию.

Для жертвы такой подделки приоритет — зафиксировать доказательства. Это значит: сохранить оригинальный файл с метаданными, сделать скриншоты публикаций с адресами страниц и датами, привлечь свидетелей. После этого следует обращение в правоохранительные органы и подача жалобы на площадку-хостинг — крупные сервисы удаляют такой контент при наличии заявления.

Ограничения существующих методов

Честно признать: детекция сейчас проигрывает генерации в темпах развития. Каждая новая версия модели делает артефакты менее заметными. Диффузионные сети создают более чистый шум, чем GAN, и шумовые анализаторы работают с ними хуже. Машинные детекторы страдают от проблемы «катастрофического забывания» — обученные на старых генерациях, они теряют точность на новых.

Единственный надёжный способ верификации — криптографическая подпись изображения в момент съёмки (технологии вроде C2PA), когда камера или софт вшивает сертификат подлинности. Пока это не стало стандартом, детекция остаётся игрой в кошки-мышки.

Практический вывод: инструменты детекции полезны, но не всесильны. Комбинация технического анализа с критическим отношением к источнику изображения даёт наилучший результат. Если фотография появилась из ниоткуда, не имеет оригинала в высоком разрешении и распространяется через анонимные каналы — вероятность подделки существенно выше, даже если детекторы молчат.