Image Modification Detections

P. 842–847.

Kseniia Prokudina, Mikhail Skriplyonok, Alexander Vostrikov

Статья посвящена анализу эволюции методов обнаружения манипуляций в цифровых изображениях за десятилетие 2016–2026 годов. Рассматривается переход от классических пассивных методов (ELA, анализ метаданных, шумовых паттернов) к глубоким нейросетевым архитектурам (VGG16+U-Net, ManTra-Net, SPAN, RDS-YOLOv5) и далее — к мультимодальным системам на основе больших языковых моделей (ForgeryGPT, FakeShield), обеспечивающим не только локализацию подделок, но и текстовую интерпретацию результатов. Проведён сравнительный анализ трёх поколений методов по критериям точности локализации, интерпретируемости, скорости работы и требованиям к данным. Отдельное внимание уделено обзору существующих программных решений — от открытых инструментов (FotoForensics, Forensically, ExifTool) до коммерческих платформ (TruthScan, Klippa). На основе сравнительного анализа обоснована необходимость разработки сбалансированной CNN модели, сочетающей высокую точность локализации с формированием структурированного отчёта о выявленных аномалиях.

Ключевые слова: сравнительный анализ, глубокое обучение, цифровая криминалистика, digital forensics, comparative analysis, detection of counterfeits, localization of manipulations, deep learning, multimodal models, image verification, обнаружение подделок, локализация манипуляций, мультимодальные модели, верификация изображений

В книге

2026 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM)

IEEE, 2026.