Исследователи Университета Кила разработали FDIP-NET — модель для различения настоящих и созданных или изменённых с помощью ИИ изображений лиц. Результаты исследования опубликованы 13 ноября 2026 года в журнале Frontiers in Imaging.
Модель объединяет обычную информацию о цвете изображения с тремя дополнительными показателями, которые описывают локальные изменения яркости. Эти показатели вдохновлены математическими идеями из гидродинамики, но не моделируют движение жидкости: они помогают представить структуру изображения иначе, чем стандартные цветовые каналы.
FDIP-NET анализирует пространственные вариации яркости на изображении. Она не отслеживает движения человека и не сравнивает изменения лица во времени. Такой подход рассчитан на отдельные изображения, а не на анализ поведения человека в видеозаписи.
Исследователи проверили модель на открытых наборах изображений лиц DFRI, DF-wild и RFF-140K. Средняя точность составила 98,654%, 98,952% и 99,669% соответственно. Для каждого набора модель отдельно обучали и тестировали, а итоговые значения усреднили по трём запускам.
В отдельной проверке на официальных разделах FaceForensics++ c23 FDIP-NET достигла средней точности 91% при анализе отдельных видеокадров. Это измерение относится к кадрам, а не к распознаванию движения или последовательности событий в видео.
Авторы также оценивали калибровку уверенности предсказаний и изучали, как ошибки связаны с характеристиками изображения — размытием, яркостью и контрастом. Эти проверки дополняют оценку точности: они показывают, насколько уверенность модели соотносится с результатами и какие свойства изображения могут сопровождать ошибки.
Высокие показатели на данных, использованных для отдельных проверок, не означают, что модель покажет такую же точность на незнакомых наборах. Авторы указывают, что надёжное распознавание на новых данных остаётся задачей для дальнейшей работы.
