Um modelo híbrido para detecção de falsificação de imagens usando aprendizado profundo com métodos de blocos e pontos-chave

Por que mudanças ocultas em fotos importam

Fotos moldam o que acreditamos sobre o mundo, desde notícias e política até evidências médicas e decisões judiciais. No entanto, ferramentas modernas de edição podem alterar uma imagem de forma tão convincente que até olhos treinados podem não perceber. Este artigo apresenta um novo método, chamado HDBK, que detecta um tipo comum de truque conhecido como falsificação copy–move—onde parte de uma imagem é copiada e colada em outro ponto da mesma imagem para ocultar ou duplicar objetos. O objetivo é oferecer aos investigadores uma ferramenta que seja ao mesmo tempo precisa e rápida o suficiente para ser útil em trabalhos forenses do mundo real.

Um problema crescente de confiança em fotos digitais

Cada ano, bilhões de fotos são feitas e compartilhadas por telefones, redes sociais e sistemas profissionais. Ao mesmo tempo, apps fáceis de usar permitem que quase qualquer pessoa remova pessoas de uma cena, clone objetos ou altere sutilmente detalhes importantes. Na falsificação copy–move, um indivíduo suspeito pode cobrir evidências copiando um trecho limpo da estrada sobre marcas de derrapagem, ou duplicar uma multidão para fazer um evento parecer maior. Como essas regiões copiadas vêm da mesma imagem, elas naturalmente correspondem à iluminação, cor e textura dela, tornando-se especialmente difíceis de notar a olho nu ou com verificações de software simples.

Ferramentas antigas e seus pontos fracos

Métodos existentes buscam pistas de maneiras diferentes. Métodos baseados em blocos fatiam a imagem em muitos pequenos patches e os comparam para encontrar regiões suspeitamente semelhantes. Isso pode funcionar, mas checar todos os pares possíveis de patches é lento e tem dificuldades quando os falsificadores giram ou redimensionam as partes copiadas, ou quando borram e comprimem a imagem depois. Métodos baseados em pontos-chave buscam pontos distintivos—como cantos ou áreas texturizadas—e os comparam, o que é mais rápido e mais tolerante a mudanças geométricas. Contudo, eles frequentemente falham em áreas forjadas lisas ou minúsculas que contêm poucos pontos distintivos. O aprendizado profundo, onde redes neurais aprendem suas próprias características a partir dos dados, pode detectar falsificações tanto em nível de imagem quanto de pixel, mas normalmente exige grandes conjuntos de dados cuidadosamente rotulados que são caros de criar para fins forenses.

Uma estratégia híbrida em três etapas

Os autores propõem o HDBK, um sistema híbrido que combina as forças do aprendizado profundo, da análise por blocos e do pareamento por pontos-chave, reduzindo suas fragilidades individuais. Na primeira etapa, três redes neurais bem conhecidas—VGG16, MobileNet e EfficientNetB0—são combinadas em um único modelo de três ramos. Treinado em um benchmark de imagens autênticas e forjadas, esse conjunto decide rapidamente se uma imagem é provavelmente forjada e produz um mapa de calor: uma sobreposição colorida que destaca as regiões que a rede considera suspeitas. Em vez de depender de máscaras desenhadas manualmente durante o treinamento, o sistema aprende apenas com rótulos a nível de imagem e então usa mapas de características internos para localizar prováveis áreas manipuladas.

Aproximando-se para identificar o falso

Uma vez que o mapa de calor isola uma região suspeita, o HDBK estreita sua busca. Um bloco ao redor da área provavelmente forjada é selecionado, removido da imagem, e uma busca baseada em blocos mais inteligente é iniciada para encontrar de onde esse conteúdo foi copiado. Em vez de comparar exaustivamente todos os blocos possíveis, o método usa um algoritmo genético—uma técnica de otimização inspirada na evolução—para explorar apenas as posições e tamanhos de bloco mais promissores. A qualidade de cada candidato é medida pelo número de pontos de característica correspondentes que ele compartilha com o bloco suspeito, usando em combinação três detectores de pontos-chave (SIFT, SURF e FAST). Depois que a melhor correspondência é encontrada, o sistema vincula os pontos-chave correspondentes e desenha um polígono preciso ao redor tanto da região fonte quanto da colada, refinando as formas com filtros morfológicos para produzir uma máscara binária limpa da área adulterada.

Desempenho do método

Para testar o HDBK, os autores usaram o conjunto de dados CoMoFoD, uma coleção amplamente utilizada de falsificações copy–move que inclui casos desafiadores: áreas copiadas pequenas e lisas, rotações, escalonamentos, borrões, ruído adicionado, alterações de brilho e compressão JPEG agressiva. Em nível de imagem, a rede profunda híbrida classificou corretamente imagens forjadas versus autênticas com cerca de 99% de acurácia, superando vários outros modelos modernos. Em nível de pixel, onde cada pixel é julgado como genuíno ou forjado, o HDBK alcançou alta acurácia geral e uma forte sobreposição com as máscaras de referência, mantendo alarmes falsos muito baixos. Mesmo sob condições difíceis como borrão intenso, ruído e compressão, o sistema manteve desempenho robusto, revelando tanto a localização quanto a forma das regiões falsificadas.

O que isso significa para a confiança em fotos do dia a dia

Em termos simples, esta pesquisa oferece um detetive mais inteligente para imagens digitais. Ao primeiro usar redes profundas para destacar grosseiramente onde algo parece errado e, em seguida, usar busca otimizada por blocos e pareamento por pontos-chave para rastrear exatamente o que foi copiado e de onde veio, o HDBK pode descobrir de forma confiável edições ocultas que podem influenciar decisões legais, notícias ou diagnósticos médicos. Embora falsificações extremamente pequenas ou sem textura ainda representem um desafio, e mais trabalho seja necessário para estender o método além do copy–move para outros tipos de adulteração, essa abordagem híbrida marca um passo importante para restaurar a confiança no que vemos nas telas.

Citação: 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

Palavras-chave: deteção de falsificação de imagem, manipulação copy-move, aprendizado profundo, forense digital, autenticidade de imagem