Un modello ibrido per il rilevamento di falsificazioni d’immagine usando deep learning con metodi a blocchi e per punti chiave

Perché contano i cambiamenti nascosti nelle foto

Le foto plasmano ciò in cui crediamo sul mondo, dalle notizie e la politica alle prove mediche e alle decisioni in tribunale. Eppure gli strumenti di editing moderni possono alterare un’immagine in modo così convincente che anche occhi allenati possono non accorgersene. Questo articolo presenta un nuovo metodo, chiamato HDBK, che individua un tipo comune di falsificazione noto come copia–sposta (copy–move forgery): quando una parte dell’immagine viene copiata e incollata altrove nella stessa immagine per nascondere o duplicare oggetti. L’obiettivo è fornire agli investigatori uno strumento sia accurato sia sufficientemente veloce da essere utile nel lavoro forense reale.

Un problema crescente di fiducia nelle foto digitali

Ogni anno vengono scattate e condivise miliardi di foto su telefoni, social media e sistemi professionali. Allo stesso tempo, app di editing facili da usare permettono quasi a chiunque di rimuovere persone da una scena, clonare oggetti o modificare sottilmente dettagli importanti. Nella falsificazione copia–sposta, un soggetto sospetto può coprire prove copiando una porzione pulita di strada sopra delle tracce di frenata, o duplicare una folla per far sembrare un evento più numeroso. Poiché queste regioni copiate provengono dalla stessa immagine, corrispondono naturalmente all’illuminazione, al colore e alla texture dell’immagine stessa, rendendole particolarmente difficili da notare a occhio nudo o con controlli software semplici.

Strumenti vecchi e loro punti deboli

I metodi di rilevamento esistenti cercano indizi in modi diversi. I metodi basati su blocchi suddividono l’immagine in molte piccole porzioni e le confrontano per trovare regioni sospettosamente simili. Questo può funzionare, ma controllare ogni possibile coppia di blocchi è lento e fatica quando i contraffattori ruotano o ridimensionano le parti copiate, o applicano sfocatura e compressione all’immagine successivamente. I metodi basati su punti chiave invece cercano punti distintivi — come angoli o zone testurizzate — e li confrontano, il che è più veloce e più tollerante ai cambiamenti geometrici. Tuttavia, spesso falliscono su aree forgiate lisce o molto piccole che contengono pochi punti distintivi. Il deep learning, in cui le reti neurali apprendono le proprie caratteristiche dai dati, può individuare falsificazioni sia a livello di immagine che di pixel, ma di solito richiede dataset ampi e accuratamente etichettati, costosi da creare per il lavoro forense.

Una strategia ibrida in tre passi

Gli autori propongono HDBK, un sistema ibrido che fonde i punti di forza del deep learning, dell’analisi a blocchi e dell’abbinamento di punti chiave riducendo i rispettivi limiti. Nel primo passo, tre reti neurali ben note — VGG16, MobileNet ed EfficientNetB0 — vengono combinate in un unico modello a triplo ramo. Addestrato su un benchmark di immagini autentiche e contraffatte, questo ensemble decide rapidamente se un’immagine è probabilmente falsificata e produce una heatmap: una sovrapposizione colorata che evidenzia le regioni che la rete ritiene sospette. Invece di fare affidamento su maschere disegnate a mano durante l’addestramento, il sistema impara solo da etichette a livello di immagine e poi usa mappe di feature interne per localizzare le aree probabilmente manomesse.

Zoom per individuare il falso

Una volta che la heatmap isola una regione sospetta, HDBK restringe la ricerca. Viene selezionato un blocco attorno all’area probabilmente contraffatta, rimosso dall’immagine, e viene avviata una ricerca più intelligente basata su blocchi per trovare da dove quel contenuto è stato copiato. Invece di confrontare esaustivamente ogni possibile blocco, il metodo utilizza un algoritmo genetico — una tecnica di ottimizzazione ispirata all’evoluzione — per esplorare solo le posizioni e le dimensioni di blocco più promettenti. La qualità di ogni candidato viene misurata da quanti punti caratteristici corrispondenti condivide col blocco sospetto, usando in combinazione tre rivelatori di punti chiave (SIFT, SURF e FAST). Dopo aver trovato la migliore corrispondenza, il sistema collega i punti chiave corrispondenti e disegna un poligono aderente intorno sia alla sorgente sia alle regioni incollate, raffinando le forme con filtri morfologici per produrre una maschera binaria pulita dell’area manomessa.

Quanto bene funziona il metodo

Per testare HDBK, gli autori hanno usato il dataset CoMoFoD, una raccolta ampiamente utilizzata di falsificazioni copia–sposta che include casi impegnativi: aree copiate piccole e lisce, rotazioni, ridimensionamenti, sfocatura, rumore aggiunto, variazioni di luminosità e compressione JPEG aggressiva. A livello di immagine, la rete ibrida ha classificato correttamente immagini contraffatte e autentiche con circa il 99% di accuratezza, superando diversi altri modelli moderni. A livello di pixel, dove ogni pixel è giudicato genuino o contraffatto, HDBK ha raggiunto un’elevata accuratezza complessiva e una forte sovrapposizione con le maschere ground-truth, mantenendo al contempo falsi positivi molto bassi. Anche in condizioni difficili come forte sfocatura, rumore e compressione, il sistema ha mantenuto prestazioni robuste, rivelando sia la posizione sia la forma delle regioni falsificate.

Cosa significa questo per la fiducia quotidiana nelle foto

In termini semplici, questa ricerca offre un investigatore più intelligente per le immagini digitali. Usando prima reti profonde per evidenziare grossolanamente dove qualcosa sembra sbagliato, e poi una ricerca a blocchi ottimizzata e l’abbinamento di punti chiave per tracciare esattamente cosa è stato copiato e da dove proviene, HDBK può scoprire in modo affidabile modifiche nascoste che potrebbero influenzare giudizi legali, notizie o diagnosi mediche. Sebbene falsificazioni estremamente piccole o prive di texture restino una sfida, e sia necessario lavoro ulteriore per estendere il metodo oltre la copia–sposta ad altri tipi di manomissione, questo approccio ibrido segna un passo importante verso il ripristino della fiducia in ciò che vediamo sugli schermi.

Citazione: Mehrjardi, F.Z., Zarchi, M.S. A hybrid model for image forgery detection using deep learning with block and keypoint methods. Sci Rep 16, 11169 (2026). https://doi.org/10.1038/s41598-026-41473-8

Parole chiave: rilevamento di falsificazioni d’immagine, manipolazione copia-e-incolla, deep learning, informatica forense digitale, autenticità dell’immagine