生成モデルの急速な進歩に伴い、ディープフェイク検出器の最悪ケースのロバスト性を評価する重要性が高まっている。ACM MM 2026に採択された本論文では、現在のフォレンジックパラダイムにおける根本的な盲点を明らかにしている。既存の検出器はデジタル合成アーティファクトの捕捉に優れているが、AI生成コンテンツが本物の物理的撮像特性で偽装されると、その有効性は劇的に低下する。
研究者らは、本物の写真には光学センサーと画像信号処理（ISP）パイプラインによって刻印されたハードウェア固有の統計的シグネチャが内在しており、純粋なデータ駆動型生成モデルにはこれが根本的に欠けていると指摘する。この洞察に基づき、彼らはISPパイプラインを明示的に利用してディープフェイク検出器の判断を誤らせる、新しい最適化不要の敵対的攻撃フレームワークISPCloakを提案した。本研究はJiale Zhaoら6名の著者によるもので、ACM Multimedia 2026に採択されている。
ISPCloakの処理手順は以下の通りである。まず、可逆ISPネットワークを用いて画像をRAW領域に投影する。次に、現実的なポアソン-ガウスセンサーノイズを注入し、順方向ISP再構成を実行することで、実際のカメラの複雑な統計的先行知識をAI生成画像にシームレスに刻印する。従来の勾配ベースの敵対的攻撃とは異なり、ISPCloakは最適化ステップを必要としないため、極めて高速に敵対的サンプルを生成でき、計算コストも低い。生成アーティファクト抑制と適応マスキングを組み合わせることで、この合理化された物理シミュレーションは超高速の敵対的サンプル生成を可能にする。
広範な実験により、本物の物理的摂動を埋め込むことで、現在の多様な検出メカニズムを根本的に破壊し、視覚的にはほぼ知覚できない変化で普遍的に回避可能な敵対的サンプルを生成できることが示された。この発見はデジタルフォレンジック分野に深刻な課題を突きつけており、既存の検出器は物理的撮像特性のモデリング能力を再検討する必要がある。関連するコードとデータは今後公開される予定である。