Ein internationales Forschungsteam an der Washington University in St. Louis und am Oak Ridge National Laboratory hat ein neues KI-Modell zur Erkennung manipulierter Bilder entwickelt. Das Verfahren, vorgestellt auf der IEEE/CVF Conference on Computer Vision and Pattern Recognition, adressiert die zunehmende Schwierigkeit, hochkomplexe KI-generierte Bilder vom menschlichen Auge zu unterscheiden. Im Gegensatz zu bestehenden Ansätzen, die spezifische Merkmale gefälschter Bilder analysieren, fokussiert sich das vorgestellte Modell SimLBR auf das Erlernen der Verteilung authentischer Bilder. Entwickelt von Doktorand Aayush Dhakal unter der Leitung von Professor Nathan Jacobs, projiziert das System hochauflösende Bilddaten mithilfe eines Foundation Models in einen eindimensionalen Latent Space von 1024 Dimensionen. Durch die Konzentration auf diesen komprimierten Raum lernt der Algorithmus ausschließlich echte Bildmerkmale. Enthält ein Prüfprozess Abweichungen von dieser echten Verteilung, wird die Datei als synthetisch klassifiziert. Dieser Ansatz eliminiert die Notwendigkeit, jedes Mal auf neue Trainingsdaten zugreifen zu müssen, wenn KI-Bildgeneratoren aktualisiert werden. Die technische Umsetzung bietet signifikante Effizienzvorteile. Das Training benötigt weniger als drei Minuten auf einer einzigen Grafikkarte. Zum Vergleich: Derzeitige State-of-the-Art-Verfahren benötigen bis zu zwei Stunden auf acht GPUs. Diese Reduktion des Rechenaufwands senkt die Betriebskosten erheblich und macht die Technologie deutlich skalierbarer. Zur Validierung entwickelten die Wissenschaftler zwei Kennzahlen: Zuverlässigkeit und Worst-Case-Leistung. Der Zuverlässigkeitswert misst die Genauigkeit und Unsicherheit des Detektors im Umgang mit unbekannten Generatoren. Die Worst-Case-Bewertung prognostiziert die Erkennungsrate bei zukünftigen, noch nicht gesehenen KI-Modellen. Das Konzept basiert auf der Annahme, dass jegliche signifikante Abweichung von der erlernten Realität als Fälschung gilt. Dadurch bleibt das System robust, selbst wenn neue Generatoren ihre Ausgabealgorithmen anpassen. Die Ergebnisse unterstreisen einen Paradigmenwechsel in der digitalen Forensik. Statt im permanenten Rückstand hinter der sich rasch entwickelnden KI-Generierungstechnik zu agieren, etabliert SimLBR eine proaktive Erkennungsgrundlage. Die Veröffentlichung auf dem Preprint-Server arXiv legt den Fokus auf eine effiziente, generalisierungsfähige Technologie, die der steigenden Flut an synthetischen Medien in sozialen Netzwerken und digitalen Archiven begegnen kann. Damit markiert der Ansatz einen wichtigen Schritt hin zu zuverlässigen, ressourcenschonenden Detektionswerkzeugen für die nächste Generation generativer KI.