Pular para conteúdo

A Ciência dos Pixels

Autor: Éderson Padovani

Uma Análise Exaustiva das Técnicas Matemáticas, Físicas e Algorítmicas na Ciência Forense de Imagens Digitais

Introdução: A Epistemologia da Evidência Digital

Ruptura Ontológica

A veracidade visual, historicamente ancorada na química imutável dos haletos de prata e na tangibilidade do filme fotográfico, sofreu uma ruptura ontológica com o advento da imagem digital.

Ao contrário de sua predecessora analógica, que mantinha uma relação de indexicalidade física com a luz refletida pela cena, a imagem digital é, em sua essência, uma construção numérica discreta — uma matriz de inteiros finitos suscetível a manipulações que variam desde a alteração imperceptível de bits menos significativos (LSB) até a reconfiguração semântica completa por meio de modelos generativos baseados em inteligência artificial.

Neste cenário, a ciência forense de imagens digitais não pode ser reduzida a uma mera inspeção visual ou comparação qualitativa. Ela constitui um campo multidisciplinar rigoroso que opera na intersecção da:

  • Física do estado sólido (sensores)
  • Teoria da informação (codificação e compressão)
  • Estatística avançada (modelagem de ruído)
  • Visão computacional (aprendizagem profunda)

Objetivo da Disciplina

O objetivo desta disciplina não é apenas detectar a falsificação, mas quantificar a probabilidade de autenticidade através da análise de vestígios matemáticos latentes — cicatrizes invisíveis deixadas pelos processos de aquisição, quantização e pós-processamento.

Este relatório técnico, intitulado "A Ciência dos Pixels", disseca exaustivamente as metodologias científicas que sustentam a autenticação de mídia moderna. A análise abrange desde a gênese histórica da computação visual até as arquiteturas de redes neurais convolucionais (CNNs) de última geração, fundamentando cada técnica em equações matemáticas, algoritmos de processamento de sinal e nas contribuições seminais de pesquisadores como Russell Kirsch, Jessica Fridrich, Hany Farid e Siwei Lyu.

1. A Gênese Histórica e a Evolução da Forense Computacional

A compreensão das técnicas forenses modernas exige uma apreciação profunda da evolução histórica da imagem digital e da necessidade subsequente de validação probatória. A trajetória da forense digital é marcada pela transição de investigações reativas de sistemas de arquivos para análises proativas de integridade de mídia.

1.1 O "Adão e Eva" da Imagem Digital: O Legado de 1957

Embora a revolução da fotografia digital seja frequentemente associada ao final do século XX, o marco zero da tecnologia de imagem digital precede em décadas a comercialização das câmeras CCD.

Em 1957, no National Bureau of Standards (hoje NIST - National Institute of Standards and Technology), o cientista da computação Russell Kirsch realizou um experimento que alteraria fundamentalmente a trajetória da tecnologia da informação 1. Utilizando o Standards Eastern Automatic Computer (SEAC), o primeiro computador programável dos Estados Unidos, Kirsch e sua equipe desenvolveram um scanner de tambor rotativo pioneiro.

Russell Kirsch

A questão motriz de Kirsch era simples, porém profunda: "O que aconteceria se os computadores pudessem olhar para imagens?" 1

A primeira imagem digitalizada foi uma fotografia de seu filho de três meses, Walden. A digitalização resultou em uma matriz monocromática de:

\[ 176 \times 176 \text{ pixels} \]

Com uma dimensão física de apenas \(5cm \times 5cm\). Apesar da baixa resolução pelos padrões contemporâneos, esta imagem granulada de Walden Kirsch é considerada o "Adão e Eva" de todas as tecnologias de imagem computadorizada subsequentes.

Legado

Ela estabeleceu o conceito fundamental de discretização espacial e quantização de intensidade que sustenta desde diagnósticos médicos por tomografia computadorizada (CAT scans) até o sensoriamento remoto via satélite e a fotografia móvel moderna 1. A importância deste feito foi reconhecida em 2003, quando a revista Life nomeou a imagem de Kirsch como uma das "100 fotografias que mudaram o mundo".

1.2 A Emergência da Forense Digital (1980s - 1990s)

A disciplina de forense digital emergiu organicamente como uma resposta à proliferação de computadores pessoais e ao surgimento do cibercrime.

A Década de 1980

Nos anos 1980, à medida que computadores começaram a permear escritórios e residências, as agências de aplicação da lei enfrentaram os primeiros casos de crimes informáticos. O FBI e as forças armadas dos EUA iniciaram esforços exploratórios para coletar evidências digitais.

Um marco institucional crítico ocorreu em 1984, com o estabelecimento da Computer Analysis and Response Team (CART) pelo FBI. Esta unidade foi pioneira no desenvolvimento de protocolos para a preservação da cadeia de custódia em mídias magnéticas, focando inicialmente na recuperação de dados e análise de sistemas de arquivos, em vez da autenticidade do conteúdo visual 2.

A Década de 1990

A década de 1990 representou um ponto de inflexão, caracterizado pelo nascimento de procedimentos formais. A fragilidade e volatilidade das evidências digitais tornaram obsoletos os métodos investigativos tradicionais baseados em evidências físicas estáticas.

Foi neste período que surgiram as ferramentas de software fundamentais que definiriam a prática forense, como o EnCase e o Forensic Toolkit (FTK). Estas ferramentas permitiram aos investigadores realizar cópias bit a bit de discos rígidos e analisar dados sem alterar a evidência original 3. Paralelamente, a expansão da Internet e o aumento de crimes como roubo de identidade e hacking impulsionaram a necessidade de metodologias mais robustas. Em meados da década de 1990, unidades forenses dedicadas tornaram-se comuns em agências de aplicação da lei, solidificando a disciplina 4.

1.3 Padronização e a Era Biométrica (Anos 2000 em diante)

A virada do milênio trouxe a globalização do cibercrime e a necessidade urgente de padronização internacional. No início dos anos 2000, organizações como a International Association of Computer Investigative Specialists (IACIS) e o NIST assumiram papéis de liderança na definição de "melhores práticas" e na validação de ferramentas forenses 3. O foco expandiu-se da análise de computadores isolados para a forense de redes, dispositivos móveis e nuvem.

Um avanço significativo na convergência entre forense de imagem e identificação criminal ocorreu em 2017. Uma impressão digital extraída de uma fotografia digital de alta resolução foi submetida ao sistema Next Generation Identification (NGI) do FBI.

Biometria em Pixels

O sistema, sucessor das antigas bases de dados de impressões digitais, conseguiu gerar uma pista investigativa que levou à resolução de um caso de exploração infantil, demonstrando que os pixels de uma imagem podem carregar dados biométricos latentes com fidelidade suficiente para processos judiciais 5.

2. A Física do Estado Sólido: Forense de Identificação de Fonte e PRNU

A identificação da fonte da câmera é o equivalente digital da balística na ciência forense tradicional. Assim como as estrias em uma bala podem ligá-la a uma arma específica, as imperfeições no sensor de imagem de uma câmera digital criam uma assinatura única em cada fotografia que ela captura. Esta assinatura é conhecida como Photo-Response Non-Uniformity (PRNU).

2.1 A Natureza Estocástica do Silício e o Modelo PRNU

O PRNU é um ruído de padrão fixo causado por variações microscópicas no processo de fabricação dos wafers de silício utilizados em sensores CCD (Charge-Coupled Device) e CMOS (Complementary Metal-Oxide-Semiconductor). Devido a heterogeneidades na dimensão da área fotossensível de cada pixel e na espessura do substrato de silício, diferentes pixels convertem a mesma quantidade de fótons incidentes em quantidades ligeiramente diferentes de elétrons 6.

Matematicamente, a saída digital de um sensor para uma imagem \(I\) pode ser modelada pela equação multiplicativa proposta por pesquisadores como Jessica Fridrich e Miroslav Goljan 6:

\[ I_x = I_0 + (I_0 K_x + \Phi) \]

Onde:

  • \(I_x\): Imagem observada (saída do sensor).
  • \(I_0\): Imagem "ideal" ou a intensidade óptica real da cena (sem ruído).
  • \(K_x\): Matriz de PRNU, a "impressão digital" intrínseca da câmera \(x\).
  • \(\Phi\): Soma de todos os ruídos aditivos independentes (shot noise, ruído de leitura, etc).

Nota Técnica

Note que o termo \(I_0 K_x\) indica que o PRNU é um ruído multiplicativo, modulado pela intensidade da cena (mais visível em áreas brilhantes, inexistente em preto absoluto).

O objetivo da análise forense é estimar \(K_x\) a partir de um conjunto de imagens conhecidas da câmera e, em seguida, determinar se uma imagem de teste contém esta mesma assinatura.

2.2 Algoritmos de Extração e Filtragem de Ruído

A extração do PRNU baseia-se na remoção do conteúdo da cena (\(I_0\)) para isolar o componente de ruído. Como \(I_0\) é desconhecido, utiliza-se uma versão suavizada da imagem, obtida através de um filtro de denoising \(F(\cdot)\), como uma aproximação de \(I_0\).

O resíduo de ruído \(W\) é calculado como:

\[ W = I - F(I) = I - \hat{I}_0 \]

Substituindo no modelo original, temos que \(W \approx I K + \Phi\). A escolha do filtro \(F(\cdot)\) é crítica para a eficácia do método. A literatura destaca várias abordagens 8:

Filtro de Denoising Descrição Técnica Desempenho na Extração de PRNU
Wavelet-based Wiener Aplica filtragem de Wiener nos sub-bandas de alta frequência da Transformada Wavelet. Padrão da indústria. Equilibra precisão e custo computacional. Amplamente usado em pesquisas seminais 9.
BM3D Block-Matching and 3D filtering. Agrupa blocos similares em 3D e filtra colaborativamente. Considerado estado da arte para denoising. Estudos mostram que supera filtros Wavelet para valores específicos de \(\sigma\), melhorando a taxa de verdadeiros positivos 8.
Filtro de Mediana Filtro não-linear simples de janela deslizante (ex: \(3 \times 3\)). Geralmente insuficiente para PRNU de alta fidelidade, pois remove detalhes finos que podem ser confundidos com ruído, mas é computacionalmente barato 9.
Mihcak Filter Filtro estatístico baseado em modelos estocásticos espaciais. Desempenho robusto em certas condições de iluminação, frequentemente usado como baseline 8.

Para criar a Impressão Digital de Referência da câmera (\(\hat{K}\)), calcula-se a média dos resíduos de ruído de \(N\) imagens (preferencialmente imagens flat-field de céu azul ou paredes brancas):

\[ \hat{K} = \frac{\sum_{i=1}^{N} W_i I_i}{\sum_{i=1}^{N} (I_i)^2} \]

Este estimador de Máxima Verossimilhança (MLE) minimiza a variância dos ruídos aditivos aleatórios \(\Phi\), que tendem a zero com a média, enquanto o padrão fixo \(K\) permanece 8.

2.3 Detecção e Correlação (PCE)

Uma vez obtida a referência \(\hat{K}\), a verificação de uma imagem de teste \(Y\) envolve a extração do seu resíduo \(W_Y\) e o cálculo da correlação com \(\hat{K}\). A métrica padrão ouro nesta análise é a Peak to Correlation Energy (PCE) 9.

A PCE resolve o problema da correlação cruzada simples, que pode ser afetada por periodicidades na imagem (como texturas de grades). A PCE é definida como a razão entre a energia do pico de correlação e a energia média do plano de correlação circundante:

\[ \text{PCE}(\hat{K}, W_Y) = \frac{C(s_{peak})^2}{\frac{1}{mn - |A|} \sum_{s \notin A} C(s)^2} \]

Onde: * \(C(s)\) é a correlação cruzada cíclica em um deslocamento \(s\). * \(s_{peak}\) é a localização do pico máximo. * \(A\) é uma pequena vizinhança ao redor do pico.

Interpretação

Valores altos de PCE (tipicamente acima de 50 ou 60) indicam uma correspondência positiva extremamente forte, permitindo vincular uma imagem a uma câmera específica com certeza estatística muito superior à do DNA em alguns contextos 7.

2.4 Contra-Forense e Anonimização

A robustez do PRNU levou ao desenvolvimento de técnicas de "anonimização" de imagens. Pesquisas indicam que é possível impedir a identificação da fonte (SCI - Source Camera Identification) degradando intencionalmente o padrão PRNU.

Isso pode ser feito através da subtração da impressão digital estimada da própria imagem ou aplicando filtros de denoising agressivos que destroem as altas frequências onde o PRNU reside 6. No entanto, tais ataques frequentemente deixam rastros de processamento que podem, por si só, ser detectados como anomalias.

3. Forense de Aquisição: Interpolação CFA e Modelagem Estatística

A grande maioria das câmeras digitais comerciais utiliza um único sensor CCD ou CMOS coberto por um Color Filter Array (CFA), sendo o padrão Bayer o mais comum. O CFA é um mosaico de filtros que permite que apenas uma cor (Vermelho, Verde ou Azul) atinja cada pixel. Consequentemente, a imagem bruta (raw) é um mosaico incompleto.

3.1 A Matemática do Demosaicking e Artefatos Periódicos

Para produzir uma imagem colorida visível, a câmera deve estimar os dois valores de cor ausentes em cada pixel através de um processo chamado interpolação CFA ou demosaicking.

Os algoritmos de interpolação (bilinear, bicúbica, spline) utilizam somas ponderadas dos pixels vizinhos. Esta dependência matemática introduz correlações periódicas específicas entre os pixels. Se \(I(x,y)\) é um pixel interpolado, seu valor é uma função linear dos vizinhos:

\[ I(x,y) = \sum_{i,j \in \Omega} \alpha_{i,j} I(x+i, y+j) \]

Se uma imagem for autêntica, essas correlações estão presentes uniformemente em toda a imagem. Se uma região for adulterada (ex: splicing), a grade de correlação CFA é frequentemente quebrada ou desalinhada.

A detecção destes artefatos baseia-se na análise da Variância do Erro de Predição. Assumindo um modelo simplificado unidimensional, a variância do erro de predição \(Var[e(x)]\) comporta-se de maneira cíclica. Conforme demonstrado por Popescu e Farid 10:

\[ Var[e(x)] = \sigma^2_G \sum_u (h_u - k_u)^2 \]

Em regiões onde a imagem foi alterada e o padrão CFA destruído, a variância do erro de predição tende a ser uniforme ou não seguir a periodicidade esperada (ex: picos em frequências \(f=1\) ou \(f=0.5\) no espectro de Fourier do mapa de probabilidade) 11.

3.2 Modelagem de Mistura Gaussiana (GMM) e o Algoritmo EM

Para automatizar a detecção de regiões forjadas sem intervenção humana, utiliza-se a estatística Bayesiana através de Modelos de Mistura Gaussiana (GMM). O problema é modelar a distribuição dos erros de predição locais como uma mistura de duas populações: pixels "originais" e pixels "adulterados" 12.

O algoritmo Expectation-Maximization (EM) é empregado para estimar iterativamente os parâmetros desconhecidos destas distribuições.

Passo E (Expectativa): Calcula a probabilidade posterior de que um dado pixel (ou bloco) \(y_i\) pertença à componente \(k\) da mistura (original ou forjado). Define-se a responsabilidade \(\gamma_i\):

\[ \gamma_{i,k}^{(t)} = P(z_i = k | y_i, \theta^{(t)}) = \frac{\pi_k N(y_i | \mu_k, \Sigma_k)}{\sum_{j} \pi_j N(y_i | \mu_j, \Sigma_j)} \]

Passo M (Maximização): Atualiza os parâmetros para maximizar a verossimilhança dos dados observados:

\[ \mu_k^{(t+1)} = \frac{\sum_i \gamma_{i,k}^{(t)} y_i}{N_k} \]
\[ \Sigma_k^{(t+1)} = \frac{\sum_i \gamma_{i,k}^{(t)} (y_i - \mu_k^{(t+1)})(y_i - \mu_k^{(t+1)})^T}{N_k} \]

A convergência deste algoritmo gera um Mapa de Verossimilhança, onde a intensidade de cada pixel representa a probabilidade de ele pertencer à distribuição de "adulterado", permitindo a segmentação automática de objetos inseridos digitalmente 11.

4. Forense de Codificação: A Matemática da Compressão JPEG

O formato JPEG não é apenas um método de armazenamento, mas um processo complexo de transformação de sinal que deixa assinaturas matemáticas profundas. A análise dos coeficientes da Transformada Discreta de Cosseno (DCT) constitui um dos pilares mais robustos da forense de imagem.

4.1 A Transformada Discreta de Cosseno (DCT) e a Energia Espectral

O algoritmo JPEG opera dividindo a imagem em blocos de \(8 \times 8\) pixels. Cada bloco é transformado do domínio espacial para o domínio da frequência. A fórmula fundamental da DCT para um bloco de entrada \(f(x,y)\) é 13:

\[ F(u,v) = \frac{1}{4} C(u)C(v) \sum_{x=0}^{7} \sum_{y=0}^{7} f(x,y) \cos\left[\frac{(2x+1)u\pi}{16}\right] \cos\left[\frac{(2y+1)v\pi}{16}\right] \]

Onde \(u, v\) são as frequências espaciais horizontal e vertical. O coeficiente \(F(0,0)\) é o componente DC (média), e os outros 63 são componentes AC. Esta transformação concentra a energia da imagem nas baixas frequências, permitindo descarte de detalhes finos com pouca perda perceptual 14.

4.2 Quantização: A Fonte dos Artefatos Forenses

A compressão real ocorre na etapa de quantização, uma operação irreversível onde os coeficientes são divididos por uma Matriz de Quantização \(Q(u,v)\) e arredondados:

\[ F_Q(u,v) = \text{Round}\left( \frac{F(u,v)}{Q(u,v)} \right) \]

Este arredondamento introduz um erro determinístico.

Detecção de Dupla Compressão: Se uma imagem JPEG for re-salva, ela sofre um segundo processo de quantização. Se a matriz \(Q_2\) for diferente de \(Q_1\), surgem artefatos estatísticos. Especificamente, se \(Q_1\) não for um divisor inteiro de \(Q_2\), o histograma dos coeficientes exibirá periodicidades anômalas (picos e "gaps"). A análise destes histogramas permite detectar se uma imagem é original da câmera ou se foi re-salva 7.

4.3 Lei de Benford e a Divergência de Kullback-Leibler

Uma propriedade estatística utilizada na forense de JPEG é a conformidade com a Lei de Benford. Esta lei prevê que a distribuição de probabilidade do primeiro dígito significativo \(d\) segue uma escala logarítmica 15:

\[ P(d) = \log_{10}\left(1 + \frac{1}{d}\right) \]

Pesquisas demonstraram que os coeficientes AC da DCT seguem uma distribuição que adere à Lei de Benford 16. Manipulações perturbam essa distribuição. Para quantificar essa anomalia, utiliza-se a Divergência de Kullback-Leibler (KL) 17:

\[ D_{KL}(P || Q) = \sum_{i=1}^{9} P(i) \log \left( \frac{P(i)}{Q(i)} \right) \]

Um valor elevado de \(D_{KL}\) sinaliza potencial manipulação. Esta técnica é poderosa por ser "cega", não exigindo a imagem original para comparação.

5. Forense Física: Consistência Geométrica e Iluminação

Enquanto a forense de pixels analisa o sinal digital, a forense física analisa a cena tridimensional projetada na imagem 2D. Esta abordagem, influenciada pelo Dr. Hany Farid, baseia-se na dificuldade de manter consistência física perfeita de sombras e iluminação em montagens.

5.1 Estimativa da Direção da Luz

Para verificar se duas pessoas em uma foto estão iluminadas pela mesma fonte, estima-se a direção da luz incidente \(\vec{L}\). Assume-se frequentemente um modelo de reflectância Lambertiana 18:

\[ I(x,y) \propto \rho(x,y) (\vec{L} \cdot \vec{N}(x,y)) + A \]

Onde \(\rho\) é o albedo e \(\vec{N}\) é a normal da superfície. Monta-se um sistema de equações lineares e resolve-se para a direção da luz \(\vec{v}\) usando Mínimos Quadrados 18:

\[ \vec{v} = (M^T M)^{-1} M^T b \]

Se as direções de luz estimadas para diferentes objetos divergirem além de um limiar, a imagem é classificada como composição 19.

5.2 Consistência de Sombras via Programação Linear

A relação geométrica entre objeto, sombra e luz é rígida. Em uma cena autêntica, todas as linhas que conectam um ponto no objeto ao seu ponto na sombra devem convergir para a fonte de luz. O problema é formulado como Programação Linear 20:

\[ \text{Encontrar } S \text{ tal que } C_i(S) \ge 0, \forall i \in \{1, \dots, N\} \]

Se a região de soluções viáveis for vazia, as sombras são fisicamente inconsistentes, provando matematicamente a manipulação 21.

6. Visualização de Manipulação: Error Level Analysis (ELA)

O Error Level Analysis (ELA) explora a não-linearidade da compressão JPEG. O princípio é que o nível de erro de quantização não é uniforme se partes da imagem tiverem históricos de compressão diferentes 22.

6.1 O Algoritmo ELA

  1. A imagem original \(I_{original}\) é lida.
  2. Uma cópia \(I_{ressalva}\) é salva em JPEG (ex: 95%).
  3. Calcula-se a diferença absoluta amplificada:
\[ \text{ELA}_{map}(x,y) = | I_{original}(x,y) - I_{ressalva}(x,y) | \times \gamma \]

6.2 Interpretação e Limitações

Regiões de splicing frequentemente aparecem no mapa ELA como áreas anomalamente brilhantes, pois não sofreram a mesma degradação que o fundo 23.

Atenção

O ELA não é uma "varinha mágica". Áreas de cor sólida naturalmente têm erro baixo, enquanto texturas complexas têm erro alto. O analista deve buscar inconsistências semânticas 22.

7. A Era da Síntese: Detecção de Deepfakes e Arquiteturas Neurais

Com o advento das GANs, a manipulação evoluiu para a síntese algorítmica. Os Deepfakes representam o desafio supremo. A resposta tem sido o desenvolvimento de arquiteturas de Deep Learning especializadas.

7.1 MesoNet: Focando no Mesoscópico

A MesoNet foca em características "mesoscópicas" — um nível intermediário entre o ruído de pixel e a semântica de alto nível 24.

Variante Arquitetura e Características
Meso4 Rede compacta com 4 camadas convolucionais seguidas por uma totalmente conectada. Utiliza Max Pooling e ReLU. Projetada para eficiência e velocidade 25.
MesoInception4 Substitui as duas primeiras camadas por módulos Inception. O módulo aplica múltiplos kernels (\(1 \times 1, 3 \times 3\), etc.) em paralelo. Captura detalhes finos e estruturas maiores simultaneamente 26.

7.2 Xception e Convoluções Separáveis em Profundidade

A rede Xception (Extreme Inception) é o padrão de facto para detecção facial 27. Sua inovação é a Convolução Separável em Profundidade, que desacopla correlações espaciais e de canais:

  1. Convolução em Profundidade (Spatial): Filtro independente para cada canal.
  2. Convolução Pontual (Pointwise): Filtro \(1 \times 1\) para projetar a saída.

A arquitetura é estruturada em três fluxos 28: * Entry Flow: Reduz resolução espacial e aumenta profundidade. * Middle Flow: Blocos residuais repetidos. * Exit Flow: Prepara vetores finais via Global Average Pooling.

7.3 Contribuições de Siwei Lyu: Fisiologia e Decomposição

O professor Siwei Lyu introduziu detectores baseados em anomalias biológicas 29.

  • Piscar de Olhos: Deepfakes iniciais raramente piscavam. Lyu usou redes recorrentes (LRCN) para monitorar a frequência temporal, expondo a "falta de vida" 30.
  • Deep Information Decomposition (DID): Utiliza um módulo de aprendizado de decorrelação para separar matematicamente a identidade da pessoa (biometria) do ruído específico da síntese, tornando o modelo robusto a novas formas de manipulação 31.

Conclusão: O Horizonte da Verificação

A ciência dos pixels transformou-se de uma curiosidade acadêmica em uma infraestrutura crítica para a integridade da informação global. As técnicas aqui detalhadas — desde a modelagem estatística do PRNU até as convoluções separáveis — formam um escudo multicamadas.

Contudo, a forense de imagem permanece uma corrida armamentista assimétrica. À medida que algoritmos de detecção são publicados, eles são incorporados no treinamento de novas GANs 32.

Futuro

O futuro da verificação provavelmente residirá na fusão de técnicas passivas (análise de pixels) com técnicas ativas de proveniência criptográfica (como o padrão aberto C2PA e o evoluído SynthID do Google), garantindo que a verdade digital possa ser rastreada desde o fóton no sensor até o pixel na tela 33.

Referências

  1. NIST. "First Digital Image". https://www.nist.gov/mathematics-statistics/first-digital-image ↩↩↩

  2. Private Investigator Orlando. "History of Digital Forensics". https://srecon.com/when-did-digital-forensics-start/ ↩

  3. Champlain College Online. "What Is Digital Forensics? Uncover Its History & Evolution". https://online.champlain.edu/blog/evolution-digital-forensics ↩↩

  4. Oxygen Forensics. "Computer Forensics: History, Techniques, and Tools". https://www.oxygenforensics.com/en/resources/computer-data-extraction/ ↩

  5. FBI. "FBI Marks 100 Years of Fingerprints and Criminal History Records". https://www.fbi.gov/news/stories/fbi-marks-100-years-of-fingerprints-and-criminal-history-records ↩

  6. Optica. "Forensic use of photo response non-uniformity of imaging sensors and a counter method". https://opg.optica.org/fulltext.cfm?uri=oe-22-1-470 ↩↩↩

  7. ResearchGate. "A survey of passive technology for digital image forensic". https://www.researchgate.net/publication/220412396_A_survey_of_passive_technology_for_digital_image_forensic ↩↩

  8. ResearchGate. "(PDF) An Empirical Cross-Validation of Denoising Filters for PRNU Extraction". https://www.researchgate.net/publication/327764354_An_Empirical_Cross-Validation_of_Denoising_Filters_for_PRNU_Extraction ↩↩↩↩

  9. MDPI. "A Stress Test for Robustness of Photo Response Nonuniformity Identification". https://www.mdpi.com/1424-8220/23/7/3462 ↩↩↩

  10. Politecnico di Torino. "Image Forgery Localization via Fine-Grained Analysis of CFA Artifacts". https://iris.polito.it/bitstream/11583/2505936/2/ferr_TIFS12_OA.pdf ↩

  11. ResearchGate. "(PDF) Digital Image Forensics Based on CFA Interpolation Feature and Gaussian Mixture Model". https://www.researchgate.net/publication/331648488_Digital_Image_Forensics_Based_on_CFA_Interpolation_Feature_and_Gaussian_Mixture_Model ↩↩

  12. IGI Global. "Digital Image Forensics Based on CFA Interpolation Feature and Gaussian Mixture Model". https://www.igi-global.com/viewtitle.aspx?titleid=252680 ↩

  13. NASA Human Systems Integration Division. "Image Compression Using the Discrete Cosine Transform". https://humansystems.arc.nasa.gov/publications/mathjournal94.pdf ↩

  14. Rose-Hulman. "Picture Perfect: The Mathematics of JPEG Compression". https://www.rose-hulman.edu/~bryan/invprobs/jpegtalk2.pdf ↩

  15. MDPI. "Analyzing Benford's Law's Powerful Applications in Image Forensics". https://www.mdpi.com/2076-3417/11/23/11482 ↩

  16. ResearchGate. "(PDF) Benford's Law in Image Processing". https://www.researchgate.net/publication/221127525_Benford's_Law_in_Image_Processing ↩

  17. Wikipedia. "Benford's law". https://en.wikipedia.org/wiki/Benford%27s_law ↩

  18. Journal of Vision. "The influence of shape cues on the perception of lighting direction". https://jov.arvojournals.org/article.aspx?articleid=2191756 ↩↩

  19. Hany Farid. "Exposing Digital Forgeries by Detecting Inconsistencies in Lighting". https://farid.berkeley.edu/downloads/publications/acm05.pdf ↩

  20. Hany Farid. "Photo Forensics from Partial Constraints". https://farid.berkeley.edu/downloads/publications/ekthesis13.pdf ↩

  21. Hany Farid. "Exposing Photo Manipulation with Inconsistent Shadows". https://farid.berkeley.edu/downloads/publications/tog13/tog13.pdf ↩

  22. Map-Base. "Image Forensics | Error Level Analysis". https://forensics.map-base.info/report_2/index_en.shtml ↩↩

  23. ResearchGate. "Enhancing Digital Image Forensics with Error Level Analysis (ELA)". https://www.researchgate.net/publication/381820784_Enhancing_Digital_Image_Forensics_with_Error_Level_Analysis_ELA ↩

  24. MDPI. "Deepfake Video Detection Based on MesoNet with Preprocessing Module". https://www.mdpi.com/2073-8994/14/5/939 ↩

  25. Yamagishi Lab. "Mesonet: A Compact Facial Forgery Detection Network". https://yamagishilab.jp/wp-content/uploads/2018/12/Mesonet.pdf ↩

  26. ResearchGate. "Architecture of the inception modules used in MesoInception-4". https://www.researchgate.net/figure/Architecture-of-the-inception-modules-used-in-MesoInception-4-The-module-is_fig5_327435226 ↩

  27. ResearchGate. "(PDF) Advancing Deepfake Detection Using Xception Architecture". https://www.researchgate.net/publication/386878567_Advancing_Deepfake_Detection_Using_Xception_Architecture_A_Robust_Approach_for_Safeguarding_against_Fabricated_News_on_Social_Media ↩

  28. IEEE Xplore. "EVDO: An Enhanced Framework for Deepfake Detection in Videos". https://ieeexplore.ieee.org/iel8/6287639/10820123/11179989.pdf ↩

  29. Forcepoint. "It's All in the (Deepfake) Experience". https://www.forcepoint.com/resources/podcast/deepfake-experience-suny-dr-siwei-lyu ↩

  30. Futurum. "Detecting deepfakes: how can we ensure that generative AI is used for good?". https://futurumcareers.com/detecting-deepfakes-how-can-we-ensure-that-generative-ai-is-used-for-good ↩

  31. NIH. "CrossDF: improving cross-domain deepfake detection with deep information decomposition". https://pmc.ncbi.nlm.nih.gov/articles/PMC12674592/ ↩

  32. PMC. "Novel 59-layer dense inception network for robust deepfake identification". https://pmc.ncbi.nlm.nih.gov/articles/PMC12230116/ ↩

  33. AIP Publishing. "Forged facial video detection framework based on multi-region temporal relationship feature". https://pubs.aip.org/aip/adv/article/13/8/085026/2907605/Forged-facial-video-detection-framework-based-on ↩