Die Feature-Leiter – v1.3 → v1.8
Mein schrittweiser Aufstieg von der Hypothesen-Baseline zur eingefrorenen Warp-Engine, zusammengestellt aus meinen ursprünglichen Forschungsnotizbüchern.
Nach v1.3 arbeitete ich bewusst inkrementell: je eine Feature-Familie hinzufügen, den AUC-Schritt messen und aufschreiben, warum er sich bewegt hat – ich entwarf die grundlegende Analyse ebenso für das Paper wie für das Modell.
Die Leiter
| Version | hinzugefügt | AUC pro Kachel |
|---|---|---|
| v1.3 | nur Hypothesen-Baseline: fragility_rate + cross_residual_corr | 0.627 |
| v1.4 | + local_var (räumliche Heterogenität des Residuums), + cross_recovery_ratio_mean (Symmetrie des Rekonstruktionsversagens über geometrische Kachelpaare) | 0.688 |
| v1.5 | Beschränkung auf Features mit bestätigter Hypothesen-Richtung | 0.754 |
| v1.6 | High-Pass-Inhaltsisolation (Datenaufbereitung, kein Feature) | — |
| v1.7 | + 4 Seam-Features (Grenzresiduum + spektrale Diskontinuität) | 0.761 |
| v1.8 | + circ_var_noise, composite_noise → die kanonischen 10 | 0.775 |
v1.3: zwei hypothesenbasierte Features, AUC 0,627. Schwach – aber jeder Punkt davon ist Physik, und SHAP zeigt, dass cross_residual_corr die Last trägt.
Der v1.5-Feature-Raum, der die Beschränkung rechtfertigte: geringe Wiederherstellung + hohe Fragilität → echt; hohe Wiederherstellung + geringe Fragilität → generiert. Die Richtung der Hypothese, als lineare Grenze in zwei Dimensionen sichtbar.
v1.6 – der Dreh, der das Signal ehrlich machte
Das rohe Residuum ist kontaminiert: Hochtexturierte Kacheln erzeugen unabhängig vom Ursprung große Residuen, sodass meine frühe fragility_rate teilweise ein Texturdetektor war. In v1.6 behob ich das mit einer einzigen Vorverarbeitungsänderung: eine niederfrequente (geblurrte) Kopie des Residuums von sich selbst abziehen, sodass nur die hochfrequente Komponente bleibt.
Hochpassfilterung entfernt die niederfrequente Inhaltskomponente und hinterlässt das von PRNU dominierte Residuum. Jedes nachgelagerte Feature wird auf diesem Rauschresiduum berechnet. Das war am wichtigsten bei komplizierten Texturen – Stoffen und feinen Mustern, bei denen die Inhaltsenergie sonst das Sensorrauschsignal ertränken würde. Es ist die sauberste einzelne Verbesserung, die ich im ganzen Projekt gemacht habe.
Eine Implementierungsfußnote aus v1.7, die ich fast übersehen hätte: Die Rückwärtsverzerrung als exakte Matrixinverse zu berechnen statt als unabhängig gefittete Rücktransformation kostete einen Hauch AUC (~0,0015) – der Round-Trip mit exakter Inverse ist marginal weniger diskriminierend als der unabhängig gefittete. Kleine Asymmetrien in der Sonde sind Information.
Die v1.8-Engine
Die eingefrorene Konfiguration besteht aus einem Dutzend kleiner Konstanten – Kachelgeometrie, das differenzielle Stärkepaar, High-Pass- und Seam-Fenster –, die ich hier zurückhalte. Aber die Gestalt des Ergebnisses ist wichtiger als die Werte: Meine Ablation bestätigte, dass sie auf einem flachen Optimum liegen (benachbarte Kachelgrößen und High-Pass-Breiten unterscheiden sich um < 0,004 AUC; ich testete eine viel kleinere Kachel aus meinen frühen Planungsnotizen und verwarf sie). Die Warp-Stärke steigt als differenzielles Paar, und die Homografien pro Stärke bleiben zufällig – Konsistenz über Trials hinweg ist genau das, was das Mitteln liefert, ohne die Isotropie zu opfern.
Eine Kachel in der Sonde: Original → verzerrt → rekonstruiert → Fehler pro Pixel; darunter das über Trials akkumulierte Residuum, seine High-Pass-Version, das Verhältnis strukturierten Rauschens und die Residuumskantenstruktur. Das ist die gesamte Hypothese in einer Abbildung.
Die zehn Features, räumlich
| # | Feature | liest |
|---|---|---|
| 1 | fragility_rate | ∂R/∂s – PRNU-Zerstörungsrate |
| 2 | local_var | räumliche Heterogenität des Rekonstruktionsversagens |
| 3 | circ_var_noise | Inkohärenz des Residuum-Gradientenfelds |
| 4 | composite_noise | gemeinsame Größe × Kohärenz |
| 5 | cross_residual_corr | gemeinsame Physik über diagonal gespiegelte Kacheln |
| 6 | cross_recovery_ratio_mean | Symmetrie des Rekonstruktionsversagens |
| 7–8 | seam_h/v_disc | Diskontinuität des Grenzresiduums |
| 9–10 | seam_h/v_spectral | spektrale Diskontinuität an der Grenze |
circ_var_noise verdiente sich seinen Platz bei den schwierigsten Fällen – Bildern vom iPhone, auch heruntergerechnet (JPEG-komprimiert blieb ein bekanntes Problem). Und ein XGBoost auf diesen 10 Skalaren pro Kachel:
Pro Kachel ist das Signal bewusst schwach (≈0,60 auf dem schwierigeren skalierten Korpus; 0,775 auf dem v1.8-Datensatz) – eine einzelne Kachel ist ein Flüstern. circ_var_noise und local_var führen das SHAP-Ranking an. Aggregation ist, wo aus dem Flüstern ein Urteil wird.
Aggregation: Mittengewicht und die Einsicht zur Abstimmung
In v1.8 fügte ich der Aggregation auf Bildebene über das Kachelraster Textur-, Mitten- und Konfidenzgewichtung hinzu. Die Mittenverzerrung kodiert etwas, das ich immer wieder sah: Patches mit Motivinhalt haben reichere Textur → stärkeres PRNU-Signal (echt) oder klarere Generierungsartefakte (generiert) → zuverlässigere Vorhersagen. Rand- und Hintergrund-Patches mit glattem, gleichförmigem Inhalt sind verrauschte Wähler, die das Signal verwässern.
Beim Lauf mit ~15k Bildern:
real : maj = 87.1% wgt = 65.8%
generated : maj = 94.7% wgt = 96.1%
overall : maj = 90.9% wgt = 80.9%Ich schloss das Kapitel in v1.8.2 mit einer analytischen (modellfreien) Scorer-Sonde ab, die bestätigte, dass der Warp und die Features – nicht die Bäume – die diskriminierende Arbeit leisten: Ein von Hand kalibrierter Scorer auf denselben 10 Features nähert sich dem XGBoost an, was genau das ist, was bei einer Physikbehauptung zutreffen sollte.
Dort fror ich v1.8 ein. Alles danach baut um diese Engine herum, nicht in ihr – beginnend mit der Fusion, die die Warp-Decke durchbrach.