← Die CLR-Reise

Ursprünge – drei Architekturen und eine Homografie

Behandelt v1 bis v1.2 (Frühjahr 2026), zusammengestellt aus meinen ursprünglichen Forschungsnotizbüchern.

Ich habe nicht mit einem Detektor angefangen. Ich begann mit klassischer Computational Photography: SIFT-Keypoints, FLANN-Matching, RANSAC-Homografien – dieselbe Werkzeugkette wie in Kamera-Pipelines in der Produktion – und richtete sie auf eine neue Frage: Kann projektive Geometrie mir bei einem Basisbild und einer Menge von Kandidaten-Ausschnitten oder -Ableitungen sagen, welche Regionen einen gemeinsamen Ursprung haben?

Das v1-Homografie-Notizbuch lokalisiert Testregionen gegen ein Basisbild über SIFT- und FLANN-Inlier-Zahlen. Ich nutzte die Homografie hier als Lokalisierungs-Werkzeug. Die Erkenntnis, die das ganze Projekt neu fasste: Die Homografie selbst – nicht das Matching – ist der diskriminierende Operator. Verzerrt man eine Bildregion und verzerrt sie zurück, verrät das, was übrig bleibt, wie sie entstanden ist.

Drei Architekturen parallel

In v1 habe ich drei Detektorarchitekturen gleichzeitig erkundet, alle auf lokal synthetisierten Daten trainiert (echt = Kamerafotos; generiert = Ausgaben von FLUX.1-schnell):

  1. SAST – ein Seam-Aware Spectral Transformer. Motiviert durch Generatoren der DiT/MMDiT-Ära: Attention-basiertes Entrauschen arbeitet auf latenten Patch-Tokens, und die Nähte zwischen unabhängig bedachten Tokens müssen lokal abgleichen, was global berechnet wurde. Der Transformer modellierte, ob benachbarte Kacheln über ihre gemeinsame Grenze hinweg „denselben spektralen Dialekt sprechen“. Die Rahmung – den architektonisch schwierigen Fall (DiT, Flow Matching) zuerst lösen, und UNet fällt als eingeschränkter Spezialfall heraus – überlebte in den Patentnotizen, obwohl die Architektur selbst nicht ausgeliefert wurde.
  2. Ein pix2pix-GAN, das pro Bild eine dichte Artefakt-Heatmap erzeugt.
  3. XGBoost auf einer Handvoll analytischer Sondenmetriken pro Kachel – Warp-Residuum, spektrale Periodizität, zirkuläre Gradientenvarianz und Begleiter.

Die Heatmaps pro Bild des GAN-nahen v1-Detektors. Er funktionierte auf dem Testsatz – aber als gelerntes dichtes Modell löste er ein schwierigeres Problem, als die Daten tragen konnten.

Die Bäume gewannen, und der Grund war wichtiger als das Ergebnis: Das Signal liegt in der Verteilung der physikalischen Skalare pro Kachel, nicht in ihrer räumlichen Anordnung. Ich bat einen Transformer, aus ~70 Bildern Positionskontext zu lernen; ich bat XGBoost zu lernen, dass generierte Kacheln eine andere Region eines niedrigdimensionalen Sondenraums besetzen, in dem die Klassen tatsächlich getrennt sind. Das einfachere Problem hat die direktere Lösung.

SHAP-Zerlegung des v1-Sondenmodells: Die regionenübergreifende Residuumskorrelation dominiert bereits – das regionenübergreifende Physiksignal, zwei Versionen bevor die Hypothese formalisierte, warum.

Das Kachelraster

Die andere v1-Entscheidung, die blieb, war die zweistufige Kachelung: äußere Patches zur Aggregation, innere Kacheln zur Messung, über das gesamte Bildraster hinweg.

Das Ergebnis, das zeigte, was die Sonde misst

Mein wichtigstes v1-Ergebnis hatte gar nichts mit echt gegen KI zu tun. Als ich die Sonde auf CGI-Renderings laufen ließ, lagen die Werte zwischen den beiden Klassen:

text
Real photo   → low band      physical sensor: PRNU, shot noise, incoherent gradients
CGI render   → middle band   mathematical render: no sensor, but no attention coherence either
AI generated → high band     learned denoising: an unnaturally organized gradient field

Ein Path-Tracing-Rendering hat keinen Sensor – kein PRNU, kein Schrotrauschen –, aber sein Monte-Carlo-Abtastrauschen ist räumlich inkohärent, pro Pixel unabhängig, strukturell näher am Sensorrauschen als an Diffusionsartefakten. Die Sonde erkannte nicht „Fälschung“. Sie maß die Konsistenz mit dem Kamera-Entstehungsmodell – und ordnete Bilder nach Quelle auf einem Spektrum physikalischer Plausibilität ein: fotografiert, gerendert oder ins Dasein entrauscht. Drei Quellen, drei Rechterahmen – die Herkunftsrahmung, die schließlich das Produkt definieren sollte.

v1.1–v1.2: das Crop-Problem

In v1.1 fügte ich geometrische SIFT-Konsistenz-Features hinzu, damit kleine Ausschnitte einen Fingerabdruck behalten; in v1.2 setzte ich auf die reine Sonden-Kontrolle zurück, um ehrlich zu messen. Meine Crop-Bypass-Experimente legten einen Fehler von mir offen, der zur Philosophie wurde: Die regionenübergreifende Extraktion hatte einen Mindestabstand zwischen Kachelpaaren fest einprogrammiert, sodass sich bei kleinen Ausschnitten keine gültigen Paare bildeten und das Feature stillschweigend einen neutralen Wert zurückgab. Die Behebung bewies, dass das diskriminierende Signal die Beziehung zwischen entfernten Regionen war – und wies direkt auf die Hypothese.