Rauschmuster
Rauschgleichförmigkeitserkennung
Echte Fotografien enthalten einzigartige Rauschmuster von Kamerasensoren, die über das Bild variieren. KI-generierte Bilder haben eine unnatürlich gleichmäßige Rauschverteilung.
Wie es Funktioniert
Wir extrahieren das Rauschresiduum aus dem Bild und analysieren seine Gleichförmigkeit. Kamerasensorrauschen ist unregelmäßig und variiert je nach Lichtverhältnissen, während synthetisches Rauschen von KI-Modellen konsistent und gleichmäßig ist.
Denoise
Apply Non-Local Means filter
Extract
Calculate noise residual
Analyze
Measure uniformity
Uniformity Score
We divide the image into 32x32 blocks, calculate local variance for each block, then measure how consistent these variances are across the image.
Verwandte Methoden
ML-Erkennung
Unsere ML-Erkennung nutzt modernste Transformer-Modelle, die auf Millionen von Bildern trainiert wurden.
PRNU-Analyse
Photo Response Non-Uniformity (PRNU) detects unique camera sensor fingerprints from manufacturing imperfections. AI images cannot replicate these authentic sensor signatures.
Frequenzanalyse
Die Frequenzdomänenanalyse untersucht die Verteilung von Hoch- und Niederfrequenzkomponenten in einem Bild. KI-generierte Bilder fehlt typischerweise das natürliche Hochfrequenzrauschen echter Fotografien.
Gradientenanalyse
Analyzes edge patterns and texture characteristics using Sobel, Canny, and Laplacian operators. AI images often have unnaturally smooth or uniform gradients.
Metadatenanalyse
Bildmetadaten enthalten wertvolle Hinweise auf den Ursprung. Wir analysieren EXIF-Daten, Softwaresignaturen und andere eingebettete Informationen, um KI-Generierungswerkzeuge zu identifizieren.
GAN-Fingerabdruck
Erkennt GAN-spezifische Artefakte wie Schachbrettmuster, Farbbanding und spektrale Anomalien.
Texturanalyse
Local Binary Pattern Analyse für Texturanomalien in KI-generierten Bildern.
Anatomische Erkennung
KI-Bildgeneratoren erzeugen oft anatomische Fehler, die Menschen sofort als falsch erkennen. Wir nutzen Computer Vision, um diese verräterischen Fehler zu erkennen.
C2PA-Verifizierung
C2PA (Coalition for Content Provenance and Authenticity) ist ein Industriestandard zur Verfolgung von Ursprung und Geschichte digitaler Inhalte durch kryptografische Signaturen.
Semantic Inconsistency Detection
Detects logical inconsistencies like incorrect shadows, impossible perspectives, distorted reflections, and violations of physical laws that AI often produces.
Human Biometric Analysis
Uses MediaPipe to analyze human anatomy for incorrect finger counts, asymmetric eyes, unnatural skin texture, and other anatomical anomalies common in AI-generated faces.
Lighting Physics Validation
Validates light source consistency, shadow direction physics, specular highlight accuracy, and color temperature uniformity across the image.
Compression Artifact Analysis
Analyzes JPEG compression artifacts to estimate quality levels and detect re-compression patterns that indicate image manipulation or AI generation.
Edge Sharpness Analysis
Analyzes sharpness distribution across the image and validates depth-of-field consistency. AI often produces unnaturally uniform sharpness.
Statistical Pattern Analysis
Analyzes statistical properties including Shannon entropy, histogram patterns, and Benford's Law compliance to detect synthetic image characteristics.
Chromatic Aberration Analysis
Detects the absence of chromatic aberration (color fringing) that real camera lenses produce. AI images lack these optical artifacts.
Micro-Texture Analysis
Analyzes microscopic texture patterns for repetition, uniformity, and unnatural randomness that AI generators often exhibit.
Color Palette Analysis
Analyzes color distribution including saturation levels, color diversity, and white balance consistency. AI images often have oversaturated colors.
Ihr Bild Prüfen
Alle Methoden werden mit gewichteter Bewertung kombiniert, um ein endgültiges Urteil mit Konfidenzniveau zu erzeugen.
Jetzt Ausprobieren