← Die CLR-Reise

Feldnotizen

Beobachtungen, die als Ahnungen über die Beziehung zwischen Hardware und synthetischen Medien begannen – ich habe sie behalten, weil mehrere später messbar wurden und eine zur Produktthese.

Wo Anomalien leben: Ecken vs. Mitten

Echte Kamerabilder und generierte Bilder sind an entgegengesetzten Stellen anomal, aus Gründen, die direkt aus ihren Entstehungsprozessen folgen:

  • Echte Ecken sind anomal. Objektivvignettierung, chromatische Aberration und radiale Verzeichnung erreichen alle am Rand ihr Maximum – optische Artefakte eines physischen Objektivs, räumlich in einem bestimmten radialen Muster korreliert. Der Warp-Round-Trip zerstört trotzdem das feinkörnige Sensorrauschen, das auf ihnen reitet, sodass die Ecken im Residuum heiß laufen.
  • Generierte Mitten sind anomal. Diffusionsmodelle verteilen Entrauschungsaufwand dorthin, wo sich die Attention konzentriert – auf das Motiv. Die Mitte sammelt die dichteste, unnatürlichst organisierte Gradientenstatistik (genau das, was die Gradientenkohärenz-Features lesen), während die weniger beachtete Peripherie glatt bleibt und den Warp sauber überlebt.

Deshalb ist der Schwerpunktabstand des Composite-Score-Felds aussagekräftig, und deshalb funktioniert die Mittengewichtung, die ich in v1.8 hinzugefügt habe: Die räumliche Adresse der Anomalie ist selbst eine Entstehungssignatur.

Downsampling hebt den Boden, ohne die Adresse zu verschieben

Downsampling-Artefakte (4K → 1280) heben die Baseline des Composite über alle Kacheln gleichmäßig an – aber sie erzeugen keine räumlichen Cluster, und die Adresse der Anomalie bleibt an Ort und Stelle: Dieselbe Kachel gewinnt, selbst wenn sich jeder Score nach oben verschiebt. Schwerpunktbasiertes Schließen ist gegenüber globaler Degradation resilient, wie es absolute Schwellenwerte nicht sind. Ich versuche mich daran zu erinnern, dass diese Probleme älter sind als generative Medien – Manipulation im Photoshop-Zeitalter warf dieselben Rekompressionsfragen auf; Generierung hat den Einsatz nur kategorisch gemacht.

Poisoning: das duale Problem

Die Sonde hat ein Duales, und es ist die Richtung, die ich am interessantesten finde. Diffusions-Inpainting hängt von kohärenten lokalen Pixelnachbarschaften ab, um eine Gauß-Verteilung zum geprompteten Ziel hin zu verteilen – ein Referenzbild lässt sich also auf Segmentierungsebene so stören, dass jeder Entrauscher, der daraus rekonstruiert, Deformationen erzeugt.

Wo Glaze und Nightshade gegen den Embedding-Raum eines Modells optimieren (konstruktionsbedingt encoderspezifisch), greift die Optimierung gegen die lokalen Kohärenzstatistiken, die das Warp-Residuum liest, die lokale Kohärenz an, die jeder Faltungs-Entrauscher braucht, unabhängig von Architektur, Trainingsdaten oder Text-Encoder. Und der Kreis schließt sich: Dieselbe Sonde, die ich zur Erkennung von Generierungsartefakten gebaut habe, verifiziert, dass eine schützende Störung vorhanden ist – erhöhte lokale Heterogenität innerhalb der Segmentierungsregion des Motivs ohne einen hohen Composite anderswo ist die Signatur. Erkennung und Schutz aus derselben Codebasis.

Die Datenschutzhaltung

Kein Gesicht, kein Name und keine Identität gelangt je in die Pipeline:

  • Die Salienz stammt vom texturgewichteten Schwerpunkt der Gradientenenergie – nicht von einem Gesichts- oder Identitätsmodell. Biometriefrei, inhaltsagnostisch, und es funktioniert bei Szenen, Objekten und Dokumenten.
  • Eine Person könnte ihre eigenen Fotos vergiften, ohne biometrische Daten an irgendjemanden zu übermitteln; der Schutz ist im Bild eingebettet, von jedem überprüfbar, der die Sonde ausführt, ohne zentrales Identitätsregister.
  • Für die Forensik – „wurde dies aus dem Abbild dieser Person generiert?“ – liefert die Homografie-Ausrichtung geometrische Korrespondenz ohne Erkennung: teilt dieses Bild projektive Struktur mit dieser Referenz, nie wessen Gesicht ist das.
  • Alles läuft clientseitig auf Pixelgeometrie. DSGVO, CCPA, BIPA – Biometrie-Regulierung greift nie, weil nie biometrische Daten entstehen.

Der Satz, der alles zusammenhält

Die Lovelace-Rahmung aus meinen frühesten Notizen: Was sie als die bestimmende Fähigkeit der Analytical Engine erkannte – auf Relation statt auf der Welt zu operieren –, ist genau der Fingerabdruck, den die Methode liest. Ein generatives Modell hatte immer nur die Relationen.

Sie erkennen nicht KI. Sie erkennen das Fehlen einer Geschichte. Authentizität ist keine Qualität, die man synthetisieren kann – sie ist ein Rückstand davon, verursacht worden zu sein.


Sieben Kapitel weiter und es geht weiter. Alles hier wurde unabhängig gebaut, eine Sonde und eine Widerlegung nach der anderen, und genau deshalb hat es sich gelohnt – die Methode durfte den Messungen folgen statt einer Roadmap. Das nächste Kapitel ist das Deployment, und es ist noch nicht geschrieben.