ਡੀਪਫੇਕ ਤਕਨਾਲੋਜੀ ਤੋਂ ਬਚਾਅ

ਡੀਪਫੇਕ ਤਕਨਾਲੋਜੀ ਵਧਦੀ ਜਾ ਰਹੀ ਹੈ ਅਤੇ ਸਮਾਜਿਕ ਭਰੋਸੇ ਅਤੇ ਜਾਣਕਾਰੀ ਦੀ ਸੁਰੱਖਿਆ ਲਈ ਇੱਕ ਬੇਮਿਸਾਲ ਚੁਣੌਤੀ ਪੈਦਾ ਕਰ ਰਹੀ ਹੈ। ਇਸ ਲੇਖ ਵਿੱਚ, ਅਸੀਂ ਇਹ ਖੋਜ ਕਰਾਂਗੇ ਕਿ ਕਿਵੇਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਡੀਪਫੇਕ ਤਕਨਾਲੋਜੀ ਨੂੰ ਰੋਕਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਡੀਪਫੇਕ ਦਾ ਇੰਜਣ: ਤਕਨੀਕੀ ਵਿਸ਼ਲੇਸ਼ਣ

ਡੀਪਫੇਕ ਦਾ ਕੇਂਦਰ ਹੈ ਉਤਪਾਦਕ ਮਾਡਲ, ਇੱਕ ਕਿਸਮ ਦੀ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਜੋ ਵੱਡੇ ਡੇਟਾਸੈੱਟਾਂ ਤੋਂ ਸਿੱਖ ਸਕਦੀ ਹੈ ਅਤੇ ਯਥਾਰਥਵਾਦੀ ਚਿੱਤਰ, ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ। ਹਾਲ ਹੀ ਦੇ ਸਾਲਾਂ ਵਿੱਚ, ਜਨਰੇਟਿਵ ਐਡਵਰਸੇਰੀਅਲ ਨੈੱਟਵਰਕ (GANs) ਵਿਸਥਾਰ ਮਾਡਲਾਂ ਵਿੱਚ ਵਿਕਸਤ ਹੋਏ ਹਨ, ਜਿਸ ਵਿੱਚ ਬਾਅਦ ਵਾਲੇ ਵਧੇਰੇ ਸਮਰੱਥ ਹਨ। ਇਸ ਲਈ, ਇੱਕ ਮਜ਼ਬੂਤ ਰੋਕਥਾਮ ਢਾਂਚਾ ਬਣਾਉਣ ਲਈ ਇਹਨਾਂ ਉਤਪਾਦਕ ਇੰਜਣਾਂ ਦਾ ਤਕਨੀਕੀ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ।

ਵਿਰੋਧੀ ਖੇਡ: ਜਨਰੇਟਿਵ ਐਡਵਰਸੇਰੀਅਲ ਨੈੱਟਵਰਕ (GAN)

ਇੱਕ GAN ਵਿੱਚ ਦੋ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ: ਇੱਕ ਜਨਰੇਟਰ ਅਤੇ ਇੱਕ ਵਿਤਕਰਾ ਕਰਨ ਵਾਲਾ। ਜਨਰੇਟਰ ਦਾ ਕੰਮ ਅਸਲ-ਸੰਸਾਰ ਦੇ ਡੇਟਾ ਦੀ ਨਕਲ ਕਰਨ ਵਾਲਾ ਸਿੰਥੈਟਿਕ ਡਾਟਾ ਬਣਾਉਣਾ ਹੈ। ਇਹ ਬੇਤਰਤੀਬੇ ਇਨਪੁਟ ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਇਕਸਾਰ ਆਉਟపుટ ਵਿੱਚ ਬਦਲਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ। ਦੂਜੇ ਪਾਸੇ, ਵਿਤਕਰਾ ਕਰਨ ਵਾਲਾ ਇੱਕ ਵਰਗੀਕਰਨਕਰਤਾ ਦੇ ਤੌਰ ‘ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਡੇਟਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ ਕਿ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਅਸਲ ਹੈ (ਇੱਕ ਅਸਲ ਸਿਖਲਾਈ ਡੇਟਾਸੈੱਟ ਤੋਂ) ਜਾਂ ਜਾਅਲੀ (ਜਨਰੇਟਰ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ)।

ਸਿਖਲਾਈ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਦੋ ਨੈੱਟਵਰਕਾਂ ਵਿਚਕਾਰ ਨਿਰੰਤਰ ਫੀਡਬੈਕ ਲੂਪ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਜਨਰੇਟਰ ਇੱਕ ਨਕਲੀ ਚਿੱਤਰ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਵਿਤਕਰਾ ਕਰਨ ਵਾਲੇ ਨੂੰ ਭੇਜਦਾ ਹੈ, ਜਿਸਨੂੰ ਸਿਖਲਾਈ ਸੈੱਟ ਤੋਂ ਵੀ ਅਸਲ ਚਿੱਤਰ ਪ੍ਰਾਪਤ ਹੁੰਦੇ ਹਨ। ਫਿਰ, ਵਿਤਕਰਾ ਕਰਨ ਵਾਲਾ ਹਰੇਕ ਚਿੱਤਰ ਦੀ ਪ੍ਰਮਾਣਿਕਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਜੇ ਵਿਤਕਰਾ ਕਰਨ ਵਾਲਾ ਜਨਰੇਟਰ ਦੇ ਆਉਟਪੁਟ ਨੂੰ ਜਾਅਲੀ ਵਜੋਂ ਸਹੀ ਢੰਗ ਨਾਲ ਪਛਾਣਦਾ ਹੈ, ਤਾਂ ਇਹ ਫੀਡਬੈਕ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਜਨਰੇਟਰ ਇਸ ਫੀਡਬੈਕ ਦੀ ਵਰਤੋਂ ਆਪਣੇ ਅੰਦਰੂਨੀ ਮਾਪਦੰਡਾਂ ਨੂੰ ਅਨੁਕੂਲ ਕਰਨ ਲਈ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਅਗਲੇ ਦੁਹਰਾਓ ਵਿੱਚ ਵਧੇਰੇ ਯਕੀਨਨ ਵਾਲੇ ਚਿੱਤਰ ਪੈਦਾ ਕੀਤੇ ਜਾ ਸਕਣ। ਇਸ ਦੇ ਨਾਲ ਹੀ, ਵਿਤਕਰਾ ਕਰਨ ਵਾਲਾ ਜਾਅਲੀ ਚੀਜ਼ਾਂ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਖੋਜਣ ਲਈ ਆਪਣੇ ਖੁਦ ਦੇ ਮਾਪਦੰਡਾਂ ਨੂੰ ਅਨੁਕੂਲ ਕਰਦਾ ਹੈ। ਇਹ ਵਿਰੋਧੀ ਮੁਕਾਬਲਾ ਉਦੋਂ ਤੱਕ ਜਾਰੀ ਰਹਿੰਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਸਿਸਟਮ ਸੰਤੁਲਨ ਦੇ ਸਥਾਨ ‘ਤੇ ਨਹੀਂ ਪਹੁੰਚ ਜਾਂਦਾ, ਜਿੱਥੇ ਜਨਰੇਟਰ ਦਾ ਆਉਟਪੁਟ ਇੰਨਾ ਯਥਾਰਥਵਾਦੀ ਹੁੰਦਾ ਹੈ ਕਿ ਵਿਤਕਰਾ ਕਰਨ ਵਾਲਾ ਹੁਣ ਭਰੋਸੇਯੋਗਤਾ ਨਾਲ ਉਨ੍ਹਾਂ ਨੂੰ ਅਸਲ ਡਾਟਾ ਤੋਂ ਵੱਖ ਨਹੀਂ ਕਰ ਸਕਦਾ ਅਤੇ ਲਗਭਗ 50% ਸ਼ੁੱਧਤਾ ਨਾਲ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦਾ ਹੈ।

GAN ਨੇ ਸਿੰਥੈਟਿਕ ਮੀਡੀਆ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਾਬਤ ਕੀਤਾ ਹੈ ਅਤੇ ਕਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਡੀਪਫੇਕ ਮਾਡਲਾਂ ਲਈ ਇੱਕ ਬੁਨਿਆਦ ਪ੍ਰਦਾਨ ਕੀਤੀ ਹੈ। ਡੀਪ ਕਨਵੋਲਿਊਸ਼ਨਲ ਗੈਨ (DCGAN) ਵਰਗੇ ਢਾਂਚਿਆਂ ਨੇ ਪੂਲਿੰਗ ਲੇਅਰਾਂ ਨੂੰ ਬਦਲ ਕੇ ਅਤੇ ਬੈਚ ਨੋਰਮਲਾਈਜ਼ੇਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਥਿਰਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ ਹੈ। NVIDIA ਦੇ StyleGAN ਅਤੇ ਇਸਦੇ ਉਤਰਾਧਿਕਾਰੀ StyleGAN2 ਅਤੇ StyleGAN3 ਨੇ ਚਿਹਰੇ ਦੇ ਉਤਪਾਦਨ ਵਿੱਚ ਫੋਟੋਯਥਾਰਥਵਾਦ ਨੂੰ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ, ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੀਆਂ ਜਾਅਲੀ ਚੀਜ਼ਾਂ ਨੂੰ ਠੀਕ ਕਰਕੇ ਅਤੇ ਮਾਡਲ ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਅੱਗੇ ਵਧਾ ਕੇ। CycleGAN ਵਰਗੇ ਹੋਰ ਰੂਪਾਂ ਨੇ ਸਟਾਈਲ ਟ੍ਰਾਂਸਫਰ ਕਾਰਜਾਂ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਹੈ, ਅਤੇ ਇਸਲਈ ਫੇਸ ਐਪ ਵਰਗੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਵਰਤੀਆਂ ਗਈਆਂ ਹਨ, ਜਿਸ ਨਾਲ ਇੱਕ ਵਿਅਕਤੀ ਦੀ ਦਿੱਖ ਉਮਰ ਨੂੰ ਬਦਲਦਾ ਹੈ।

GAN ਦੀਆਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਮਰੱਥਾਵਾਂ ਦੇ ਬਾਵਜੂਦ, ਇਹ ਚੰਗੀ ਤਰ੍ਹਾਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ ਕਿ GAN ਨੂੰ ਸਿਖਲਾਈ ਦੇਣੀ ਔਖੀ ਹੈ। ਜਨਰੇਟਰ ਅਤੇ ਵਿਤਕਰਾ ਕਰਨ ਵਾਲੇ ਵਿਚਕਾਰ ਨਾਜ਼ੁਕ ਸੰਤੁਲਨ ਆਸਾਨੀ ਨਾਲ ਵਿਘਨ ਪਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਸਿਖਲਾਈ ਅਸਥਿਰ ਹੋ ਜਾਂਦੀ ਹੈ। ਜਦੋਂ ਜਨਰੇਟਰ ਵਿਤਕਰਾ ਕਰਨ ਵਾਲੇ ਵਿੱਚ ਕਮਜ਼ੋਰੀਆਂ ਨੂੰ ਲੱਭਦਾ ਹੈ ਅਤੇ ਕੇਵਲ ਆਉਟਪੁੱਟ ਦੀਆਂ ਸੀਮਤ ਕਿਸਮਾਂ ਪੈਦਾ ਕਰਕੇ ਇਸਦਾ ਲਾਭ ਲੈਂਦਾ ਹੈ, ਤਾਂ ਮੋਡ ਢਹਿ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਵਿਚ ਇਸਨੂੰ ਪਤਾ ਹੁੰਦਾ ਹੈ ਕਿ ਇਹ ਵਿਤਕਰਾ ਕਰਨ ਵਾਲੇ ਨੂੰ ਧੋਖਾ ਦੇ ਸਕਦਾ ਹੈ, ਇਸ ਲਈ ਸਿਖਲਾਈ ਡੇਟਾ ਦੀ ਅਸਲ ਵਿਭਿੰਨਤਾ ਨੂੰ ਹਾਸਲ ਕਰਨ ਤੋਂ ਰੋਕਦਾ ਹੈ। ਇਹ ਅੰਦਰੂਨੀ ਚੁਣੌਤੀਆਂ, ਉਹਨਾਂ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀਆਂ ਗਈਆਂ ਸੂਖਮ ਜਾਅਲੀ ਚੀਜ਼ਾਂ ਦੇ ਨਾਲ, ਡੀਪਫੇਕ ਖੋਜ ਪ੍ਰਣਾਲੀਆਂ ਲਈ ਪ੍ਰਮੁੱਖ ਟੀਚਾ ਬਣ ਗਈਆਂ ਹਨ।

ਹਫੜਾ-ਦਫੜੀ ਦਾ ਉਲਟਾ: ਵਿਸਥਾਰ ਮਾਡਲ

ਉਤਪਾਦਕ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਵਿੱਚ, ਨਵੀਨਤਮ ਤਕਨਾਲੋਜੀ ਨਵੇਂ ਮਾਡਲਾਂ ਦੇ ਰੁਝਾਨ ਵੱਲ ਫੈਸਲਾਕੁੰਨ ਢੰਗ ਨਾਲ ਬਦਲ ਗਈ ਹੈ: ਵਿਸਥਾਰ ਮਾਡਲ। ਗੈਰ-ਸੰਤੁਲਨ ਥਰਮੋਡਾਇਨਾਮਿਕਸ ਤੋਂ ਪ੍ਰੇਰਿਤ, ਵਿਸਥਾਰ ਮਾਡਲ GAN ਦੇ ਵਿਰੋਧੀ ਮੁਕਾਬਲੇ ਦੇ ਸਿਧਾਂਤਾਂ ਤੋਂ ਬੁਨਿਆਦੀ ਤੌਰ ‘ਤੇ ਇੱਕ ਵੱਖਰੇ ਤਰੀਕੇ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ। ਉਹ ਸੰਭਾਵੀ ਜਨਰੇਟਿਵ ਮਾਡਲ ਹਨ ਜੋ ਹੌਲੀ ਹੌਲੀ ਖਰਾਬ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਉਲਟਾ ਕੇ ਬਹੁਤ ਉੱਚ ਗੁਣਵੱਤਾ ਅਤੇ ਵਿਭਿੰਨ ਡਾਟਾ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ।

ਵਿਸਥਾਰ ਮਾਡਲ ਦਾ ਤਰੀਕਾ ਇੱਕ ਦੋ-ਪੜਾਅ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ:

  1. ਅੱਗੇ ਵਿਸਥਾਰ ਪ੍ਰਕਿਰਿਆ: ਇਹ ਪੜਾਅ ਥੋੜ੍ਹੀ ਜਿਹੀ ਗੌਸੀਅਨ ਸ਼ੋਰ ਨੂੰ ਚਿੱਤਰ ਵਿੱਚ ਜੋੜਦਾ ਹੈ। ਇਹ ਇੱਕ ਮਾਰਕੋਵ ਚੇਨ ਪ੍ਰਕਿਰਿਆ ਹੈ, ਜਿੱਥੇ ਹਰੇਕ ਕਦਮ ਪਿਛਲੇ ਕਦਮ ‘ਤੇ ਸ਼ਰਤੀਆ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ ਹੌਲੀ ਹੌਲੀ ਘੱਟ ਜਾਂਦੀ ਹੈ।

  2. ਰਿਵਰਸ ਡਿਨੌਇਜ਼ਿੰਗ ਪ੍ਰਕਿਰਿਆ: ਮਾਡਲ ਦਾ ਮੁੱਖ ਹਿੱਸਾ ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਹੈ, ਜਿਸਨੂੰ ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਉਲਟਾਉਣ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਸਿਖਲਾਈ ਤੋਂ ਬਾਅਦ, ਮਾਡਲ ਹਰੇਕ ਸਮੇਂ ‘ਤੇ ਜੋੜੀਆਂ ਗਈਆਂ ਸ਼ੋਰਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਅਤੇ ਇਸਨੂੰ ਘਟਾਉਣ ਲਈ ਇਸ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ “ਡਿਨੌਇਜ਼” ਫੰਕਸ਼ਨ ਨੂੰ ਵਾਰ ਵਾਰ ਲਾਗੂ ਕਰਕੇ ਬੇਤਰਤੀਬੇ ਸ਼ੋਰ ਨਮੂਨਿਆਂ ਤੋਂ ਸ਼ੁਰੂ ਕਰਕੇ ਸਮੇਂ ਦੇ ਕਦਮਾਂ ਨੂੰ ਪਿੱਛੇ ਵੱਲ ਪ੍ਰਕਿਰਿਆ ਕਰ ਸਕਦਾ ਹੈ।

ਇਹ ਦੁਹਰਾਓ ਵਾਲੀ ਪ੍ਰਕਿਰਿਆ ਵਿਸਥਾਰ ਮਾਡਲ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ GAN ਦੇ ਮੁਕਾਬਲੇ ਫੋਟੋਯਥਾਰਥਵਾਦ ਅਸਲਤਾ ਹਾਸਲ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ।

ਇਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੇ ਵਿਸਥਾਰ ਮਾਡਲ ਨੂੰ ਬਹੁਤ ਸਾਰੇ ਪ੍ਰਮੁੱਖ ਜਨਰੇਟਿਵ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਟੂਲਸ ਦਾ ਅਧਾਰ ਬਣਾਇਆ ਹੈ, ਜਿਸ ਵਿੱਚ OpenAI ਦਾ DALL-E 2, Google ਦਾ Imagen ਅਤੇ Stability AI ਦਾ Stable Diffusion ਸ਼ਾਮਲ ਹੈ।

ਕਿਵੇਂ ਕਰੀਏ

ਗੈਨ ਹੋਵੇ ਜਾਂ ਫੈਲਾਅ ਮਾਡਲ ਡੂੰਘੇ ਜਾਅਲੀ ਵੀਡੀਓ ਬਣਾਉਣ ਲਈ ਕਈ ਤਰ੍ਹਾਂ ਦੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਇਹ ਢੰਗ ਲੋੜੀਂਦੇ ਧੋਖੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਟਾਰਗੇਟ ਵਿਡੀਓ ਦੇ ਕਈ ਪਹਿਲੂਆਂ ਨੂੰ ਸੰਭਾਲਦੇ ਹਨ।

  • ਮੁੜ-ਐਕਟ ਕਰਨਾ: ਇਹ ਤਕਨੀਕ ਸਰੋਤ ਕਿਰਦਾਰ ਦੇ ਚਿਹਰੇ ਦੇ ਹਾਵ-ਭਾਵ , ਸਿਰ ਦੀਆਂ ਹਰਕਤਾਂ, ਅਤੇ ਸਪੀਚ ਵਰਗੀਆਂ ਚੀਜ਼ਾਂ ਨੂੰ ਟਾਰਗੇਟ ਵਿਡੀਓ ਵਿੱਚ ਟ੍ਰਾਂਸਫਰ ਕਰਦੀ ਹੈ। ਇਸ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਆਮ ਤੌਰ ‘ਤੇ ਤਿੰਨ ਮੁੱਖ ਕਦਮ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ: ਪਹਿਲਾਂ, ਸਰੋਤ ਅਤੇ ਟਾਰਗੇਟ ਵਿਡੀਓ ਵਿੱਚ ਚਿਹਰੇ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਟ੍ਰੈਕਿੰਗ ਕਰਨਾ; ਦੂਜਾ, ਇਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਅਨੁਕੂਲਤਾ ਮਾਪਣ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਆਮ 3D ਚਿਹਰੇ ਦੇ ਮਾਡਲ ਨਾਲ ਜੋੜਨਾ; ਤੀਜਾ, ਸਰੋਤ ਤੋਂ ਟੀਚੇ ਤੱਕ ਹਰਕਤਾਂ ਨੂੰ ਟ੍ਰਾਂਸਫਰ ਕਰਨਾ, ਫਿਰ ਅਸਲੀਅਤ ਨੂੰ ਵਧਾਉਣ ਲਈ ਬਾਅਦ ਵਿੱਚ ਸੁਧਾਈ ਕਰਨਾ।

  • ਲਿਪ ਸਿੰਕ੍ਰੋਨਾਈਜ਼ੇਸ਼ਨ: ਲਿਪ ਸਿੰਕ੍ਰੋਨਾਈਜ਼ੇਸ਼ਨ ਡੀਪਫੇਕ ਤਕਨਾਲੋਜੀ ਵਿਸ਼ੇਸ਼ ਤੌਰ ‘ਤੇ ਸਪੀਚ ਨੂੰ ਸੰਭਾਲਣ ‘ਤੇ ਕੇਂਦਰਤ ਹੁੰਦੀ ਹੈ, ਮੁੱਖ ਤੌਰ ‘ਤੇ ਆਡੀਓ ਇਨਪੁਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਯਥਾਰਥਵਾਦੀ ਮੂੰਹ ਦੀਆਂ ਹਰਕਤਾਂ ਪੈਦਾ ਕਰਦੀ ਹੈ। ਆਡੀਓ ਨੂੰ ਗਤੀਸ਼ੀਲ ਮੂੰਹ ਦੇ ਆਕਾਰਾਂ ਅਤੇ ਟੈਕਸਟ ਵਿੱਚ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ, ਜਿਸਨੂੰ ਧਿਆਨ ਨਾਲ ਟਾਰਗੇਟ ਵਿਡੀਓ ਨਾਲ ਮਿਲਾਇਆ ਅਤੇ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਜੋ ਇਸ ਵਿਚ ਕੋਈ ਵੀ ਪਰੋਗਰਾਮਿੰਗ ਨਾ ਕੀਤੀ ਗਈ ਹੋਵੇ।

  • ਟੈਕਸਟ-ਅਧਾਰਤ ਸੰਸਲੇਸ਼ਣ: ਇਹ ਵਿਧੀ ਟੈਕਸਟ ਸਕ੍ਰਿਪਟ ਦੇ ਅਧਾਰ ‘ਤੇ ਵਿਡੀਓ ਨੂੰ ਸੋਧਦੀ ਹੈ। ਇਹ ਕੰਮ ਟੈਕਸਟ ਨੂੰ ਇਸਦੇ ਹਿੱਸਿਆ ਆਡੀਓ ਵਿੱਚ ਬਦਲ ਕੇ (ਧੁਨੀ ਯੂਨਿਟ) ਅਤੇ ਵਿਜ਼ੂਅਲ (ਬੋਲੇ ਗਏ ਆਵਾਜ਼ ਦੀ ਵਿਜ਼ੂਅਲ ਪ੍ਰਤੀਨਿਧਤਾ) ਦੁਆਰਾ ਕਰਦਾ ਹੈ। ਉਹਨਾਂ ਨੂੰ ਫਿਰ ਸਰੋਤ ਵੀਡੀਓ ਵਿੱਚ ਸੰਬੰਧਿਤ ਕ੍ਰਮਾਂ ਨਾਲ ਮੇਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਗੱਲਾਂਬਾਤ ਕਰਨ ਵੇਲੇ ਪੈਰਾਮੀਟਰ 3D ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨਵੇਂ ਟੈਕਸਟ ਨਾਲ ਆਪਣੀ ਜਗ੍ਹਾ ‘ਤੇ ਹੋਣ ਦੇ ਲਈ ਤਿਆਰ ਹੋ ਜਾਂਦੇ ਹਨ।

ਗੈਨ ਤੋਂ ਡਿਫਿਊਜ਼ਨ ਮਾਡਲਾਂ ਤੱਕ ਤਕਨਾਲੋਜੀਕਲ ਤਰੱਕੀ ਸਿਰਫ ਇੱਕ ਹੌਲੀ ਹੌਲੀ ਸੁਧਾਰ ਨਹੀਂ ਹੈ; ਇਹ ਇੱਕ ਪੈਰਾਡਾਈਮ ਸ਼ਿਫਟ ਹੈ ਜੋ ਡੂੰਘੇ ਜਾਅਲੀ ਰੋਕਥਾਮ ਦੀ ਰਣਨੀਤੀ ਜ਼ਮੀਨ ਨੂੰ ਬੁਨਿਆਦੀ ਤੌਰ ‘ਤੇ ਬਦਲਦੀ ਹੈ। ਗੈਨ, ਆਪਣੀ ਤਾਕਤ ਦੇ ਬਾਵਜੂਦ, ਜਾਣੇ ਜਾਂਦੇ ਆਰਕੀਟੈਕਚਰ ਕਮਜ਼ੋਰੀਆਂ ਜੋ ਇਸ ਵਿੱਚ ਇਹ ਸ਼ਾਮਲ ਹਨ: ਸਿਖਲਾਈ ਅਸਥਿਰਤਾ ਅਤੇ ਮੋਡ ਢਹਿਣਾ।

ਇਸ ਲਈ ਬਹੁਤ ਸਾਰੇ ਖੋਜ ਟੂਲ ਇੱਕ ਡਿਫਿਊਜ਼ਨ ਮਾਡਲ ਪ੍ਰਧਾਨਤ ਹੋਰ ਕਿਸਮਾਂ ਅਤੇ ਵਾਸਤਵਿਕ ਬਣਾਏ ਜਾਣ ਵਾਲੇ ਰਪ੍ਰਿਜੈਂਟ ਹਨ।

ਇਸ ਤਰ੍ਹਾਂ ਮੌਜੂਦਾ ਡੂੰਘੇ ਜਾਅਲੀ ਖੋਜ ਲਈ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲ ਰਿਹਾ ਹੈ। ਕੁਝ ਡਿਫਿਊਜ਼ਨ ਨੂੰ ਜਿਨ੍ਹਾਂ ਨੂੰ ਉਹ ਨਹੀਂ ਮਿਲ ਪਾਂਦੇ ਅਤੇ ਇਹ ਉਨ੍ਹਾਂ ਦੀ ਬੰਦਿਸ਼ ਹੈ। ਡਿਫਿਊਜ਼ਨ ਮਾਡਲ ਉਹ ਡਰਾਉਣੀਆਂ ਹਨ ਜੋ ਵੱਖ ਵੱਖ ਅਤੇ ਖੋਜਣ ਵਿੱਚ ਮੁਸ਼ਕਲ ਹਨ। ਇਹ ਕਿਹਾ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਇਸ ਵਿੱਚ ਹੱਥਾਂ ਨਾਲ ਹੋਣ ਵਾਲੇ ਕੰਮਾਂ ਨੂੰ ਮੁੜ ਲੋਡ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਇਸ ਲਈ ਹੁਨਰਮੰਦ ਹੱਥਾਂ ਅਤੇ ਨਵੇਂ ਲੋਕਾਂ ਦੀ ਵੱਡੀ ਜ਼ਰੂਰਤ ਹੈ।

ਇਸ ਲਈ ਇਨ੍ਹਾਂ ਉਦਾਰਵਾਦੀ ਨਮੂਨਿਆਂ ਦੀ “ਬਲੈਕ ਬਾਕਸ” ਕੁਦਰਤ ਸਰੋਤ ਪ੍ਰੀਵੈਂਟਿਵ ਕਾਰਵਾਈਆਂ ਦੀ ਗੁੰਝਲਦਾਰਤਾ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ। ਗੈਨ ਅਤੇ ਵਿਸਥਾਰ ਮਾਡਲ ਦੋਵੇਂ ਨਿਗਰਾਨੀ ਰਹਿਤ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ, ਡਾਟਾਸੈੱਟਾਂ ਦੇ ਅੰਕੜਾ ਵਿਤਰਣ ਦੀ ਨਕਲ ਕਰਨਾ ਸਿੱਖਦੇ ਹਨ, ਅਜਿਹਾ ਕਰਨ ਵਿੱਚ ਉਹ ਚਿਹਰੇ, ਮਨੁੱਖ ਜਾਤੀ ਅਤੇ ਅਕਲ ਤੋਂ ਹੋਰ ਚੀਜ਼ਾਂ ਦੀ ਪਰਵਾਹ ਨਹੀਂ ਕਰਦੇ। ਹੁਣ ਇਹ ਜਵਾਬਦੇਹੀ ਨੂੰ ਆਉਟਸੋਰਸ ਜਾਂ ਬੈਕਅਪ ਨਹੀਂ ਕਰਦੇ। ਬਹੁਤ ਜ਼ਿਆਦਾ ਰੁਕਾਵਟ ਉਦਾਰ ਪ੍ਰੋਗਰਾਮਿੰਗ ਨੂੰ ਉਤਪਾਦਕਤਾ ਦੇ ਵਿਚ ਫੱਸ ਜਾਂਦੇ ਹਨ

ਉਤਪਾਦਕ ਇੰਜਣਾਂ ਦਾ ਤੁਲਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ

ਗੈਨ ਅਤੇ ਵਿਸਥਾਰ ਮਾਡਲ ਦੇ ਵਿਚਕਾਰ ਰਣਨੀਤਕ ਅੰਤਰਾਂ ਨੂੰ ਸਮਝਣਾ ਹਰੇਕ ਹਿੱਸੇਦਾਰ ਲਈ ਜ਼ਰੂਰੀ ਹੈ। ਜਿਸ ਵਿੱਚ ਖੋਜ ਮੁਸ਼ਕਲ ਭਰੋਸੇ ਦੀ ਸੰਭਾਵਨਾ ਹੁੰਦੀ ਹੈ ਅਤੇ ਕੁੱਲ ਮਿਲਾ ਕੇ ਦੇਖਿਆ ਜਾਵੇ ਤਾਂ ਖ਼ਤਰੇ ਨੂੰ ਪਰਖਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਵਿਸ਼ੇਸ਼ਤਾ ਜਨਰੇਟਿਵ ਐਡਵਰਸੇਰੀਅਲ ਨੈੱਟਵਰਕ (GAN) ਵਿਸਥਾਰ ਮਾਡਲ ਰਣਨੀਤਕ ਮਹੱਤਤਾ
ਮੁੱਖ ਵਿਧੀ ਜਨਰੇਟਰ ਅਤੇ ਵਿਤਕਰਾ ਕਰਨ ਵਾਲਾ ਇੱਕ ਖੇਡ ਵਿੱਚ ਮੁਕਾਬਲਾ ਕਰਦੇ ਹਨ। ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕਾਫੀ ਸਾਰੀਆਂ ਸ਼ੋਰਾਂ ਤੋਂ ਸਿੱਖਦਾ ਹੈ। ਵਿਸਥਾਰ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨ ਲਈ ਬਣਾਈ ਪ੍ਰਕਿਰਿਆ ਬਿਨਾਂ ਢਾਂਚਾਗਤ ਗਲਤੀਆਂ ਤੋਂ।
ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆ ਅਸਥਿਰਤਾ ਸਿਖਲਾਈ ਦੇਣਾ। ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆਵਾਂ ਸਥਿਰ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆ ਹਨ। ਵਿਸਥਾਰ ਵਿੱਚ ਕੀਤੇ ਗਏ ਹਰੇਕ ਕੰਮ ਨੂੰ ਤਿਆਰ ਵਿੱਚ ਲਿਆਉਣਾ ਜਿਸ ਵਿੱਚ ਮਦਦ ਕਰਨ ਵਾਲਿਆਂ ਤੋਂ ਰੋਕਿਆ ਜਾਂਦਾ ਹੈ।
ਆਉਟਪੁੱਟ ਗੁਣਵੱਤਾ ਚੰਗੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਤਿਆਰ ਵਿੱਚ ਲਿਆਉਣਾ। ਹੁਣ ਜਿਵੇਂ ਫੋਟੋਆਂ ਸੱਚ ਹੁੰਦੀਆਂ ਹਨ ਉਹਨਾਂ ਨੂੰ ਬਣਾਉਣ ‘ਤੇ ਜਿਆਦਾ ਜ਼ੋਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਉਨ੍ਹਾਂ ਚੀਜ਼ਾਂ ਨੂੰ ਜਾਅਲੀ ਬਣਾਉਣਾ ਜਿਹੜੀਆਂ ਸਾਡੀਆਂ ਅੱਖਾਂ ਨਾਲ ਦੇਖ ਸਕਦੇ ਹੋ ਜਿਸ ਵਿੱਚ ਮਨੁੱਖੀ ਪ੍ਰੀਖਿਆ ਨੂੰ ਚੁਣੌਤੀ ਮਿਲਦੀ ਹੈ।
ਪਤਾ ਲਗਾਉਣਯੋਗਤਾ ਪੁਰਾਣੇ ਖੋਜ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਗੈਨ ਅਧਾਰਤ ਖੋਜ। ਤਸਵੀਰਾਂ ਬਣਾਉਣੀਆਂ। ਵਾਸਤਵਿਕਤਾ ਜਿੰਨ੍ਹੀ ਹੁੰਦੀ ਜਾਣਕਾਰੀ ਦਾ ਲੁਕਿਆ ਹੋਣਾ। ਤਕਨੀਕੀ ਵੇਰਵੇ, ਖੋਜ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹੋਰ ਡੂੰਘਾਈ ਨਾਲ ਸੋਚ ਲੈਣਾ ਚਾਹੀਦਾ ਹੈ।
ਮਸ਼ਹੂਰ ਮਾਡਲ ਸਟਾਈਲਿਸ਼ ਗੈਨ, ਸਾਈਕਲ ਗੈਨ DALL-E, ਸਥਿਰ ਫੈਲਾਅ ਹੁਣ ਗੈਨ ਦੀਆਂ ਮਸ਼ਹੂਰ ਕਿਸਮਾਂ ਦੇ ਟੂਲ ਤੇਜ਼ੀ ਨਾਲ ਮੌਜੂਦ ਹਨ।

ਡਿਜੀਟਲ ਇਮਿਊਨ ਸਿਸਟਮ: ਖੋਜ ਦੇ ਢੰਗਾਂ ਦਾ ਤੁਲਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ

ਸਿੰਥੈਟਿਕ ਮੀਡੀਆ ਦੇ ਖਿਲਾਫ ਇੱਕ “ਡਿਜੀਟਲ ਇਮਿਊਨ ਸਿਸਟਮ” ਵਰਗਾ ਕੁਝ ਬਣਾਇਆ ਗਿਆ ਹੈ। ਪਰ ਸਵਾਲ ਇਹ ਉੱਠਦਾ ਹੈ ਕਿ ਕਿੰਨਾ ਸਹੀ ਅਤੇ ਕਿੰਨਾ ਨਹੀਂ। ਇੱਥੇ ਮਾਹਿਰ ਹੋਣ ਦਾ ਦਾਅਵਾ ਕਰਨ ਵਾਲਿਆਂ ਵਿੱਚ ਕਾਫੀ ਮੁਕਾਬਲਾ ਚੱਲ ਰਿਹਾ ਹੈ।

ਡਿਜ਼ੀਟਲ ਆਰਟੀਫੈਕਟਸ ਦਾ ਫੋਰੈਂਸਿਕ ਵਿਸ਼ਲੇਸ਼ਣ

ਡੀਪਫੇਕ ਖੋਜ ਦੀ ਸਭ ਤੋਂ ਸਥਾਪਿਤ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਡਿਜੀਟਲ ਫੋਰੈਂਸਿਕ ਵਿਸ਼ਲੇਸ਼ਣ ਸ਼ਾਮਲ ਹੈ, ਜੋ ਕਿ ਉਤਪਾਦਨ ਪ੍ਰਕਿਰਿਆ ਦੁਆਰਾ ਛੱਡੇ ਗਏ ਸੂਖਮ ਤਰੁੱਟੀਆਂ ਅਤੇ ਅੰਤਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨਾ ਹੈ।

  • ਵਿਜ਼ੂਅਲ ਅਤੇ ਐਨਾਟੋਮਿਕਲ ਅਸੰਗਤਤਾਵਾਂ: ਇੱਥੇ ਕੁਝ ਅਸਲੀ ਵੀਡੀਓਜ਼ ਹਨ ਜਿਸ ਵਿੱਚ ਇੱਕ ਖਾਸ ਹਿੱਸਾ ਵੱਧ ਜਾਂਦਾ ਹੈ ਅਤੇ ਵੀਡੀਓ ਵਿੱਚ ਸਾਫ਼ ਨਜ਼ਰ ਆਉਦਾ ਹੈ। ਹਰਕਤਾਂ ਜਿਵੇਂ ਅੱਖ ਦੇ ਡੇਲੇ, ਗੱਲ ਕਰਨ ਵੇਲ੍ਹੇ ਨੱਕ ਅਤੇ ਅਜਿਹੀਆਂ ਹੋਰ ਚੀਜ਼ਾਂ ਜਿਸ ਵਿੱਚ ਤਬਦੀਲੀ ਵੇਖੀ ਜਾ ਸਕਦੀ ਹੈ। ਹਾਲਾਤਾਂ ਨਾਲ ਛੇੜਛਾੜ ਕਰਕੇ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਪਤਾ ਲਾ ਸਕਦੇ ਹਾਂ।

  • ਪਿਕਸਲ ਅਤੇ ਕੰਪਰੈਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ: ਇਹ ਤਕਨੀਕਾਂ ਘੱਟ ਪੱਧਰ ‘ਤੇ ਚਲਦੀਆਂ ਹਨ, ਚਿੱਤਰ ਜਾਂ ਵੀਡੀਓ ਦੇ ਡਿਜੀਟਲ ਢਾਂਚੇ ਦੀ ਜਾਂਚ ਕਰਦੀਆਂ ਹਨ। ਗਲਤੀ ਪੱਧਰ ਵਿਸ਼ਲੇਸ਼ਣ (ELA) ਚਿੱਤਰ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਸੰਕੁਚਨ ਪੱਧਰਾਂ ਵਾਲੇ ਖੇਤਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ ਹੈ। ਕਿਉਂਕਿ ਹੇਰਾਫੇਰੀ ਵਾਲੇ ਖੇਤਰਾਂ ਨੂੰ ਅਕਸਰ ਦੁਬਾਰਾ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਉਹ ਇਸ ਲਈ ਜਾਅਲੀ ਚੀਜ਼ਾਂ ਦਿਖਾਉਂਦੇ ਹਨ।

  • ਫ੍ਰੀਕੁਐਂਸੀ ਡੋਮੇਨ ਵਿਸ਼ਲੇਸ਼ਣ: ਇਹ ਢੰਗ ਪਿਕਸਲ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਨਹੀਂ ਕਰਦੇ, ਸਗੋਂ ਕੁਦਰਤੀ ਤੌਰ ‘ਤੇ ਬਣੇ ਹੋਏ ਚਿੱਤਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ।

ਬਾਇਓਲੋਜੀਕਲ ਸਿਗਨਲ ਅਧਿਐਨ: ਡੀਪਫੇਕ ਦਾ “ਦਿਲ ਦੀ ਧੜਕਣ”

ਡੀਪਫੇਕ ਵਿੱਚ ਇੱਕ ਨਵਾਂ ਅਤੇ ਖਾਸ ਚਿਹਰਾ ਜੋ ਕਿ ਰਹਿ ਚੀਜ਼ਾਂ ਦੇ ਸਿਗਨਲ ਨੂੰ ਵੇਖਣਾ ਹੈ ਅਤੇ ਪਤਾ ਲਾਉਣਾ ਹੈ ਕਿ ਇਹ ਅਹਿਸਾਸ ਕਿੰਨਾ ਸੱਚ ਹੈ।

ਇਸ ਖੇਤਰ ਵਿੱਚ ਇਸ ਆਰਕ ‘ਤੇ ਕਈ ਤਕਨੀਕਾਂ ਹਨ।

  1. ਸਿਗਨਲ ਐਕਸਟ੍ਰੈਕਸ਼ਨ: ਚਿਹਰੇ ਦੇ ਵੀਡੀਓ ਤੋਂ ਸੰਕੇਤ ਪ੍ਰਾਪਤ ਕਰਨਾ।

  2. ਸਿਗਨਲ ਦੀ ਪ੍ਰਕਿਰਿਆ: ਸ਼ੋਰ ਨੂੰ ਗੈਰਹਾਜ਼ਰ ਕਰਨਾ।

  3. ਵਰਗੀਕਰਨ: ਅਸਲ ਹਿਰਦੇ ਦੀ ਬਜਾਏ ਡਾਟਾ ਲੋਡ ਕਰਕੇ ਅਤੇ ਉਸ ਵਿੱਚ ਕੀਤੀ ਛੇੜਸ਼ਾੜ ਨੂੰ ਟਰੈਕ ਤੋਂ ਲਾਹ ਦੇਣਾ।

ਨਿਯੰਤ੍ਰਿਤ ਪ੍ਰਯੋਗਾਤਮਕ ਵਾਤਾਵਰਣ ਵਿੱਚ, ਇਸ ਪਹੁੰਚ ਨੇ ਖੋਜ ਦੀ ਬਹੁਤ ਉੱਚ ਸ਼ੁੱਧਤਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਹੈ, ਕੁਝ ਅਧਿਐਨ 99.22% ਤੱਕ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਰਿਪੋਰਟ ਕਰਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਇਸ ਵਿਧੀ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਮਜ਼ੋਰੀ ਹੈ। ਵਧੇਰੇ ਉੱਨਤ ਡੀਪਫੇਕ ਤਕਨੀਕਾਂ (ਖਾਸ ਕਰਕੇ ਮੁੜ-ਐਕਟਿੰਗ ਸ਼ਾਮਲ ਹਨ) ਸਰੋਤ ਵੀਡੀਓ ਜਾਂ “ਡ੍ਰਾਇਵਿੰਗ” ਵੀਡੀਓ ਤੋਂ ਸਰੀਰਕ ਸੰਕੇਤਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਡੀਪਫੇਕ ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਧਾਰਨ ਅਤੇ ਇਕਸਾਰ rPPG ਸਿਗਨਲ ਦਿਖਾ ਸਕਦੇ ਹਨ। ਇਹ ਸਿਰਫ਼ ਸਰੋਤ ਅਦਾਕਾਰ ਦੀ ਦਿਲ ਦੀ ਧੜਕਣ ਹੋਵੇਗੀ, ਨਾ ਕਿ ਅੰਤਿਮ ਵੀਡੀਓ ਵਿੱਚ ਦਰਸਾਏ ਗਏ ਚਰਿੱਤਰ ਦੀ। ਇਸ ਖੋਜ ਨੇ ਡੀਪਫੇਕ ਵਿੱਚ ਸਰੀਰਕ ਸੰਕੇਤਾਂ ਦੀ ਘਾਟ ਦੀ ਸਧਾਰਨ ਧਾਰਨਾ ਨੂੰ ਚੁਣੌਤੀ ਦਿੱਤੀ ਹੈ ਅਤੇ ਖੋਜ ਲਈ ਬਾਰ ਨੂੰ ਵਧਾਇਆ ਹੈ। ਭਵਿੱਖ ਦੇ ਢੰਗ ਨੂੰ ਨਾ ਸਿਰਫ਼ ਨਬਜ਼ ਦੀ ਮੌਜੂਦਗੀ ਦੀ ਜਾਂਚ ਕਰਨ ਤੋਂ ਅੱਗੇ ਵਧਣਾ ਚਾਹੀਦਾ ਹੈ, ਸਗੋਂ ਸਿਗਨਲ ਦੀ ਸਰੀਰਕ ਇਕਸਾਰਤਾ ਅਤੇ ਪਛਾਣ-ਵਿਸ਼ੇਸ਼ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।

ਖੋਜ ਫੌਜੀ ਦੌੜ: ਵਿਸਥਾਰ ਮਾਡਲ ਅਤੇ ਵਿਰੋਧੀ ਹਮਲਿਆਂ ਦੀਆਂ ਚੁਣੌਤੀਆਂ

ਡੀਪਫੇਕ ਤਕਨਾਲੋਜੀ ਦੀ ਦੁਨੀਆਂ ਬਹੁਤ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲ ਰਹੀ ਹੈ। ਵਿਗਿਆਨੀ ਹਮੇਸ਼ਾ ਚੌਕਸ ਰਹਿੰਦੇ ਹਨ ਕਿ ਕੋਈ ਐਸੀ ਤਕਨੀਕ ਨਾ ਆ ਜਾਵੇ ਜੋ ਵਰਤਣ ਵਾਲਿਆਂ ਲਈ ਹਾਨੀਕਾਰਕ ਹੋਵੇ। ਜਦੋਂ ਤੱਕ ਡੂੰਘਾਈ ਨਾਲ ਪਰਖ ਨਾ ਕੀਤੀ ਜਾਵੇ ਉਦੋਂ ਤੱਕ ਕੋਈ ਭਰੋਸਾ ਨਹੀਂ ਦਿੱਤਾ ਜਾ ਸਕਦਾ।

  • ਵਿਆਪਕਤਾ ਦੀ ਅਸਫਲਤਾ: ਬਹੁਤ ਸਾਰੇ ਖੋਜ ਮਾਡਲਾਂ ਦੀ ਇੱਕ ਪ੍ਰਮੁੱਖ ਕਮਜ਼ੋਰੀ ਉਹਨਾਂ ਦੀ ਆਮ ਤੌਰ ‘ਤੇ ਜਨਰਲ ਦੁਆਰਾ ਸਿਖਲਾਈ ਕਰਕੇ ਪਰਖ ਕਰਨਾ ਅਸਫਲ ਰਹਿੰਦਾ ਹੈ।

  • ਦੁਸ਼ਮਣੀ ਹਮਲੇ: ਇੱਥੇ ਕੁਝ ਹਮਲੇ ਬਹੁਤ ਖਤਰਨਾਕ ਹੋ ਸਕਦੇ ਹਨ ਜਿਵੇਂ ਕਿ ਨਕਲੀ ਚਿਹਰਿਆਂ ਦਾ ਕਿਸੇ ਅਸਲੀ ਵਿਅਕਤੀ ਦੀ ਥਾਂ ‘ਤੇ ਇਸਤੇਮਾਲ ਕਰਨਾ।

ਇਸ ਜੰਗ ਤੋਂ ਬੱਚਣ ਲਈ ਇੱਕ ਚੰਗੀ ਤਕਨੀਕ ਵਰਤਣੀ ਪੈਂਦੀ ਹੈ। ਕਈ ਪ੍ਰੋਗਰਾਮਾਂ ਵਿੱਚ ਡੂੰਘੀ ਜਾਣਕਾਰੀ ਦੇ ਨਾਲ ਹੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸਮਝਣਾ ਪੈਂਦਾ ਹੈ। ਖੋਜਕਾਰ ਚੰਗੀ ਤੋਂ ਚੰਗੀ ਜਾਣਕਾਰੀ ਕੱਢ ਕੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਹਮਲਿਆਂ ਤੋਂ ਸੂਚੇਤ ਰਹਿਣ ਦੀਆਂ ਨਵੀਆਂ ਤਕਨੀਕਾਂ ਲੈ ਕੇ ਆ ਰਹੇ ਹਨ।

ਵਿਗਿਆਨਕ ਜੀਵ ਵਿੱਚ ਪੱਕੇ ਬਣੇ ਨਿਯਮਾਂ ‘ਤੇ ਚੱਲਣਾ ਬਹੁਤ ਹੀ ਜ਼ਰੂਰੀ ਹੈ। ਹਰੇਕ ਚੀਜ਼ ਦੀਵਾਰ ਦੇ ਆਰ-ਪਾਰ ਵੇਖਣ ਦੇ ਸਮਾਨ ਹੈ ਜਿਸ ਵਿੱਚ ਤਕਨਾਲੋਜੀ ਲਗਾਤਾਰ ਬਦਲਦੀ ਰਹਿੰਦੀ ਹੈ। ਇਨ੍ਹਾਂ ਸਾਰੀਆਂ ਚੀਜ਼ਾਂ ਬਾਰੇ ਪਹਿਲਾਂ ਤੋਂ ਪਤਾ ਹੋਣਾ ਚਾਹੀਦਾ ਨਹੀਂ ਤਾਂ ਬਹੁਤ ਨੁਕਸਾਨ ਹੋ ਸਕਦਾ ਹੈ।

ਸਭ ਤੋਂ ਵਧੀਆ ਖੋਜ ਤੇ ਜ਼ੋਰ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਸ ਵਿੱਚ ਸਰੀਰ ਦੀ ਪ੍ਰਕਿਰਿਆ, ਜਿਸ ਵਿੱਚ ਕਈ ਤਰ੍ਹਾਂ ਦੀਆਂ ਚੀਜ਼ਾਂ ਦੇਖਣ ਨੂੰ ਮਿਲਣਗੀਆਂ: ਜਿਵੇਂ ਕਿ ਸੁਰੱਖਿਆ, rPPG ਤੋਂ ਇਲਾਵਾ ਸਾਹ ਲੈਣ ਦੇ ਤਰੀਕੇ ਬਦਲਣਾ। ਤਸਵੀਰ ਬਣਾਉਣ ਅਤੇ ਇਸਨੂੰ ਉਸੇ ਤਰ੍ਹਾਂ ਪੇਸ਼ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਪੂਰੀ ਜਾਣਕਾਰੀ ਹੋਣੀ ਲਾਜ਼ਮੀ ਹੈ।

ਵਾਟਰਮਾਰਕਿੰਗ ਅਤੇ ਪ੍ਰੋਵੈਨੈਂਸ ਦੁਆਰਾ ਪ੍ਰੋਐਕਟਿਵ ਰੋਕਥਾਮ

ਅਸ਼ਲੀਲ ਰੱਖਿਆ ਤਕਨਾਲੋਜੀ ਵਿੱਚ ਸਿਰਫ ਪ੍ਰਤੀਕ੍ਰਿਆ ਕਰਨ ਨਾਲ ਗੱਲ ਨਹੀਂ ਬਣਦੀ ਸਗੋਂ ਆਪਣੇ ਆਪ ਨੂੰ ਬਚਾਉਣ ਅਤੇ ਰੋਕਣ ਲਈ ਵਧੇਰੇ ਜ਼ਰੂਰੀ ਕਦਮ ਚੁੱਕਣੇ ਪੈਂਦੇ ਹਨ। ਇਹ ਤਕਨੀਕਾਂ ਦਾ ਉਦੇਸ਼ ਸ਼ੁਰੂਆਤ ਤੋਂ ਡਿਜੀਟਲ ਮੀਡੀਆ ਵਾਤਾਵਰਣ ਵਿੱਚ ਵਿਸ਼ਵਾਸ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਸਥਾਪਿਤ ਕਰਨਾ ਹੈ।

ਫੋਰੈਂਸਿਕ ਡਿਜੀਟਲ ਵਾਟਰਮਾਰਕ: ਅਦਿੱਖ ਦਸਤਖਤ

ਫੋਰੈਂਸਿਕ ਡਿਜੀਟਲ ਵਾਟਰਮਾਰਕ ਇੱਕ ਕਿਰਿਆਸ਼ੀਲ ਤਕਨੀਕ ਹੈ ਜੋ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਕ੍ਰਮ ਪ੍ਰਾਪਤ ਡਾਟੇ ਨੂੰ ਬਣਾਉਣ ਲਈ ਮਦਦ ਕਰਦੀ ਹੈ। ਦੁਆਰਾ ਇੱਕ ਖਾਸ ਪਛਾਣਕਰਤਾ ਏਮਬੈਡ ਕਰਦਾ ਹੈ। ਕੰਮ ਕਰਨਾ ਕੁਝ ਇਸ ਤਰ੍ਹਾਂ ਹੈ ਜਿਵੇਂ ਕਿਸੇ ਤਸਵੀਰ ਦੇ ਉੱਪਰ ਲੋਗੋ ਲਗਾਉਂਦੇ ਹਾਂ।

ਡੀਪਫੇਕ ਰੋਕਥਾਮ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਫੋਰੈਂਸਿਕ ਵਾਟਰਮਾਰਕ ਵਿੱਚ ਕਈ ਮੁੱਖ ਫੰਕਸ਼ਨ ਹੁੰਦੇ ਹਨ:

  • ਜ਼ਿੰਮੇਵਾਰੀ : ਇਹ ਸਹੀ ਜਾਣਕਾਰੀ ਦਿੰਦਾ ਹੈ ਇਸ ਲਈ ਸਾਨੂੰ ਪਤਾ ਹੁੰਦਾ ਹੈ ਕਿ ਕੌਣ ਸਹੀ ਹੈ ਅਤੇ ਕੌਣ ਨਹੀਂ।

  • ਤਸਦੀਕ: ਏਜੰਟ ਸਹੀ ਜਾਣਕਾਰੀ ਦੇ ਨਾਲ਼ ਇੱਕ ਵਧੀਆ ਸੀਲ ਬਣਾਉਂਦੇ ਹਨ।

  • ਜੀ ਆਰਾਮਦਾਇਕ ਚੱਕਰ: ਸਮਰਥਕ ਦੱਸਦੇ ਹਨ ਕਿ ਕਿੱਥੇ ਵਾਟਰਮਾਰਕ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਜਿੱਥੇ ਚਾਹੋ ਉੱਥੇ ਲਗਾ ਸਕਦੇ ਹਾਂ।

ਵਾਟਰਮਾਰਕ ਬਹੁਤ ਜ਼ਿਆਦਾ ਅਤੇ ਇੱਕ ਖਾਸ ਕੰਮ ਵਿੱਚ ਮਦਦ ਕਰਨ ਵਾਲੇ ਹੁੰਦੇ ਹਨ। ਵਾਟਰਮਾਰਕ ਦੀ ਤਕਨਾਲੋਜੀ ਲਈ ਖਾਸ ਦਿਸ਼ਾ ਨਵੇਂ ਨੈੱਟਵਰਕ ਦੇ ਜ਼ਰੀਏ ਬਣਾਈ ਗਈ ਹੈ ਜਿਸ ਵਿੱਚ ਤਸਵੀਰਾਂ ਉਭਾਰ ਕੇ ਇਸ ਵਿੱਚ ਤਬਦੀਲੀ ਨੂੰ ਵੱਖ ਰੱਖਣਾ ਅਤੇ ਇਸਨੂੰ ਹੋਰ ਸੁਰੱਖਿਅਤ ਕਰਨਾ ਹੈ।

ਇਸ ਤਕਨਾਲੋਜੀ ਵਿੱਚ ਇੱਕ ਚੁਣੌਤੀ ਇਹ ਹੈ ਕਿ ਕਿਵੇਂ ਇੱਕ ਸੁਰੱਖਿਅਤ ਕੰਮ ਕਰ ਰਹੀ ਚੀਜ਼ ਨੂੰ ਹੋਰ ਸੁਰੱਖਿਅਤ ਬਣਾਇਆ ਜਾਵੇ, ਕਿਉਂਕਿ ਅਜੇ ਤੱਕ ਇਸ ਤਕਨਾਲੋਜੀ ਨੂੰ ਸਾਂਝਾ ਕਰਨ ਅਤੇ ਕੰਮ ਵਿੱਚ ਲਿਆਉਣ ਦੀ ਲੋੜ ਹੈ।

ਬਲਾਕਚੈਨ ਅਤੇ ਸਮੱਗਰੀ ਦਾ ਮੂਲ: ਅਟੱਲ ਲੇਜ਼ਰ

ਇੱਕ ਪੂਰਕ ਪਹਿਲਕਦਮੀ ਰਣਨੀਤੀ ਡਿਜੀਟਲ ਬਣਾਉਣ ਲਈ ਬਲਾਕਚੈਨ ਤਕਨਾਲੋਜੀ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੀ ਹੈ

ਸਮੱਗਰੀ ਲਈ ਪਹੁੰਚ ਸਥਾਪਤ ਕਰਨ ਲਈ ਜਿਸ ਵਿੱਚ ਭਰੋਸੇਯੋਗ, ਤਸਦੀਕ ਕਰਨਯੋਗ, ਅਤੇ ਗੜਬੜ-ਪਰੂਫ ਮੀਡੀਆ ਫਾਈਲਾਂ ਸ਼ਾਮਲ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ।

ਇੱਕ ਪੱਕਾ ਅਧਾਰ ਬਣਾਉਣ ਲਈ ਬਲਾਕਚੈਨ ਦੁਆਰਾ ਤਿੰਨ ਕਦਮ ਚੁੱਕੇ ਜਾਂਦੇ ਹਨ:

  1. ਸਮੱਗਰੀ ਫਿੰਗਰਪ੍ਰਿੰਟ: ਜਿਹੜੀਆਂ ਚੀਜ਼ਾਂ ਨੂੰ ਬਣਾਇਆ ਗਿਆ ਹੈ ਉਨ੍ਹਾਂ ਦਾ ਪਤਾ ਲਾਉਣਾ।

  2. ਬਲਾਕਚੈਨ ਰਿਕਾਰਡ: ਹਰੇਕ ਸਮੱਗਰੀ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਰਿਕਾਰਡ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

  3. ਨਿਰੰਤਰ ਤਸਦੀਕ: ਕੋਈ ਵੀ ਵਿਅਕਤੀ ਸਹੀ ਜਾਣਕਾਰੀ ਦੇ ਸਕਦਾ ਹੈ। ਇਸ ਵਿੱਚ ਪੁਰਾਣੀ ਅਤੇ ਨਵੀਂ ਜਾਣਕਾਰੀ ਦੀ ਪਛਾਣ ਕਰਨੀ ਆਸਾਨ ਹੋ ਜਾਂਦੀ ਹੈ।

ਇਹ ਸਿਸਟਮ ਇਸ ਗੱਲ ਦਾ ਧਿਆਨ ਰੱਖਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਸਮੱਗਰੀ ਵਿੱਚ ਸੁਰੱਖਿਆ ਵਧਾਈ ਜਾ ਸਕਦੀ ਹੈ। ਇੱਥੇ ਸਿਰਜਣਹਾਰ ਆਪਣੇ ਕੰਮਾਂ ਤੇ ਡਿਜੀਟਲ ਦਸਤਖ਼ਤ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਭਰੋਸਾ ਜਤਾ ਸਕਦੇ ਹਨ ਕਿ ਇਹ ਜਾਣਕਾਰੀ ਸਹੀ ਹੈ। ਹਰੇਕ ਪਲੇਟਫਾਰਮ ਆਪਣੀ ਜਾਣਕਾਰੀ ਨੂੰ ਬਲਾਕਚੈਨ ਨਾਲ ਜੁੜੇ ਨੰਬਰ ਨਾਲ ਮਿਲਾਉਂਦੇ ਹਨ ਉਸ ਤੋਂ ਬਾਅਦ ਇਸਨੂੰ ਔਨਲਾਈਨ ਕਰਨ ਦੀ ਆਗਿਆ ਮਿਲਦੀ ਹੈ। ਜੋ ਜ਼ਰੂਰੀ ਨਹੀਂ ਉਨ੍ਹਾਂ ਨੂੰ ਹਟਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ।

ਜਿਸ ਤਰ੍ਹਾਂ ਵਾਟਰਮਾਰਕ ਨੂੰ ਸਾਂਝਾ ਕਰਨ ਦੀ ਲੋੜ ਹੈ ਉਸੇ ਤਰ੍ਹਾਂ ਹੀ ਬਲਾਕਚੇਨ ਨੂੰ ਸਾਂਝਾ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਚਾਹੇ ਕੋਈ ਕੰਪਨੀ ਹੋਵੇ ਜਾਂ ਵਰਤੋਂ ਕਰਨ ਵਾਲਾ ਸਮਾਨ ਰੂਪ ਵਿੱਚ ਇਸ ਦੀ ਵਰਤੋਂ ਕਰਨਗੇ ਤਾਂ ਇਹ ਸਫਲ ਹੋ ਸਕਦਾ ਹੈ। ਦੂਜੀ ਗੱਲ ਇਹ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣੀ ਹੈ ਕਿ ਇਹ ਢੰਗ ਸਿਰਫ਼ ਆਪਣਾ ਸਹੀ ਕੰਮ ਕਰੇਗਾ ਜਦੋਂ ਇੱਕ ਸਿਰਜਣਹਾਰ ਇੱਕ ਬਲਾਕਚੈਨ ਪ੍ਰਾਪਤ ਕਰ ਲਵੇਗਾ। ਉਸ ਤੋਂ ਪਹਿਲਾਂ ਇਸਨੂੰ ਕਿਸੇ ਵੀ ਜਾਣਕਾਰੀ ਦਾ ਕੋਈ ਡਾਟਾ ਨਹੀਂ ਹੋਵੇਗਾ।

ਇਸ ਤਕਨਾਲੋਜੀ ਵਿੱਚ ਅਚਾਨਕ ਹੀ ਤਬਦੀਲੀ ਆ ਜਾਂਦੀ ਹੈ। ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਕਿ ਅਗਲੇ ਕੁੱਝ ਸਾਲਾਂ ਵਿੱਚ 90% ਤਕਨਾਲੋਜੀ ਨਕਲੀ ਹੋ ਜਾਵੇਗੀ। ਜਿਸ ਕਰਕੇ ਸੁਧਾਰ ਕਰਨਾ ਮੁਸ਼ਕਿਲ ਹੋ ਜਾਵੇਗਾ। ਸਰਕਾਰਾਂ ਵੱਲੋਂ ਇਸਨੂੰ ਹੋਰ ਸੁਰੱਖਿਅਤ ਬਣਾਉਣ ਵਿਚ ਮਦਦ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।

ਪਰ ਇਸ ਰਸਤੇ ਵਿੱਚ ਬਹੁਤ ਵੱਡੀਆਂ ਰੁਕਾਵਟਾਂ ਆ ਸਕਦੀਆਂ ਹਨ। ਵਾਟਰਮਾਰਕ ਅਤੇ ਬਲਾਕਚੈਨ ਪਹਿਲਾਂ ਤੋਂ ਮੌਜੂਦ