Odporny na komputery kwantowe system wykrywania deepfake’ów wykorzystujący ulepszony ResNeXt i obronę kryptografii postkwantowej

Dlaczego podrobione zdjęcia dotyczą nas wszystkich

Obrazy i wideo, które wyglądają autentycznie, a w rzeczywistości są sfabrykowane — często nazywane deepfake’ami — przestały być jedynie internetową ciekawostką. Mogą wpływać na opinię publiczną, szargać reputacje, wprowadzać zamieszanie w sądach i utrudniać zaufanie do tego, co widzimy online. W artykule przedstawiono DeepQShield, nowy system zaprojektowany nie tylko do bardzo precyzyjnego wykrywania takich fałszywych obrazów, lecz także do ochrony swoich wyników przed potężnymi komputerami przyszłości, które mogłyby próbować je sfałszować lub oszukać.

Rozróżnianie prawdziwych i fałszywych twarzy

Rdzeniem DeepQShield jest nowoczesna sieć rozpoznawania obrazu dostosowana do specjalnego zadania rozróżniania autentycznych twarzy od syntetycznych. Trenowana na 140 000 obrazów z Deepfake Detection Challenge, równomiernie podzielonych na prawdziwe i fałszywe, system uczy się wychwytywać drobne wskazówki wizualne, które często umykają ludzkiemu oku. Mogą one wynikać z subtelnych niespójności w oświetleniu, strukturze skóry lub ułożeniu poszczególnych części twarzy. Poprzez staranne przygotowanie danych — zmianę rozmiaru, normalizację kolorów, sprawdzanie integralności plików — oraz wykorzystanie wydajnego modelu bazowego ResNeXt, system buduje odporne wyobrażenie tego, jak „powinny” wyglądać autentyczne twarze w różnych warunkach.

Trenowanie systemu na odporność wobec sztuczek

Wiele istniejących detektorów deepfake działa dobrze, dopóki atakujący celowo nie zmodyfikuje obrazów w sposób mający je zmylić. DeepQShield przeciwdziała temu, trenując się zarówno na zwykłych obrazach, jak i na specjalnie zaburzonych wersjach, które naśladują takie ataki. Zaburzenia te nie są przypadkowe; są kierowane przez ramy matematyczne znane jako „learning with errors” z obszaru kryptografii postkwantowej. W praktyce oznacza to, że system jest wielokrotnie wystawiany na obrazy z celowo ustrukturyzowanym szumem, co zmusza go do polegania na głębszych, bardziej stabilnych wskazówkach twarzy zamiast na kruchych wzorcach łatwych do manipulacji. W rezultacie atakującemu — nawet znającemu szczegóły modelu — trudniej jest tak zmodyfikować obraz, by przeszedł niezauważony przez detektor.

Zabezpieczenie wyników odporne na przyszłość

Wykrycie fałszu to tylko część problemu, zwłaszcza w salach sądowych, redakcjach i systemach moderacji treści, gdzie sam werdykt musi budzić zaufanie. DeepQShield opakowuje każdy wynik detekcji w silną, odporną na komputery kwantowe kryptografię. Dwie wiodące algorytmy, Kyber i Dilithium, są używane do wymiany kluczy szyfrujących i do podpisywania każdej predykcji w sposób, który pozostaje bezpieczny nawet wobec przyszłych komputerów kwantowych. System może też łączyć je z klasycznymi metodami, takimi jak RSA i klucze krzywych eliptycznych, tworząc hybrydową osłonę wokół wyjścia. Wraz z obszernymi metadanymi bezpieczeństwa i przejrzystym łańcuchem dowodowym pozwala to śledczym i stronom trzecim zweryfikować, że określona decyzja „prawdziwe” lub „fałszywe” pochodzi rzeczywiście z oryginalnego modelu i nie została zmieniona w tranzycie.

Jak dobrze tarcza się sprawdza

Testowany na obrazach wzorcowych z Deepfake Detection Challenge, DeepQShield osiągnął dokładność 99,28 procent oraz niemal doskonały wynik AUC równy 0,9997, przewyższając znane alternatywy takie jak EfficientNet, transformery wizji oraz kilka modeli zespołowych i opartych na mechanizmach uwagi. System dobrze uogólniał również na różne zbiory deepfake’ów, w tym FaceForensics++ i Celeb-DF, gdzie dane zostały zarejestrowane w innych warunkach filmowania i różnymi stylami manipulacji. Testy odporności przy użyciu standardowych metod ataków adwersarialnych wykazały, że nawet gdy obrazy były celowo modyfikowane w celu wprowadzenia w błąd, system zachowywał znaczący poziom wydajności i mógł korzystać z skalibrowanych wskaźników pewności, aby oznaczać podejrzane przypadki zamiast przedstawiać nadmiernie pewne, lecz błędne odpowiedzi.

Co to oznacza dla zaufania do mediów cyfrowych

DeepQShield pokazuje, że można połączyć najnowocześniejsze wykrywanie fałszywych obrazów z rozwiązaniami bezpieczeństwa zaprojektowanymi na świat, w którym komputery kwantowe są praktyczne. Dla laików główne przesłanie jest proste: możemy budować narzędzia, które nie tylko z dużą niezawodnością rozpoznają sfałszowane twarze, lecz także w sposób weryfikowalny i odporny na manipulacje udowodnić, że te oceny są autentyczne. Jeśli zostaną wdrożone w miejscach takich jak platformy społecznościowe, redakcje i ekspertyzy prawne, systemy podobne do DeepQShield mogą pomóc przywrócić część zaufania, które deepfake’i stopniowo podważają.

Cytowanie: Shreeya, K.N., Subburaj, B., Saketh, K.S.G. et al. A quantum resilient deepfake detection framework using enhanced resnext and post quantum cryptography defence. Sci Rep 16, 10046 (2026). https://doi.org/10.1038/s41598-026-38924-7

Słowa kluczowe: wykrywanie deepfake, informatyka śledcza obrazów, ataki adwersarialne, bezpieczeństwo postkwantowe, kryptografia