🛡️ 视觉取证雷达

**视觉取证雷达**是一个复杂的多层AI编排系统，旨在检测数字伪造、手动图像篡改和AI生成的合成媒体。通过结合数学误差分析、语义潜在空间检测和视觉语言推理，它为任何可疑图像提供全面的“取证报告”。  ## 🤗 Hugging Face 演示 您可以在此尝试项目的实时版本： **[Hugging Face Spaces 上的实时演示](https://huggingface.co/spaces/kadircancelik/Fake-Detector)** ## 📂 仓库结构 ├── backend/ │ ├── ela_detector.py # 误差级别分析引擎 │ ├── clip_detector.py # 语义深度伪造检测器 │ └── vlm_explainer.py # Qwen2-VL 推理逻辑 ├── frontend/ │ └── app.py # Streamlit 仪表板 ├── .streamlit/ │ └── config.toml # Streamlit 配置 ├── main.py # FastAPI 入口点 ├── Dockerfile # 容器化蓝图 ├── start.sh # Docker 启动脚本 └── requirements.txt # 依赖项 ## 🏗️ 系统架构 该项目采用解耦架构，由 **FastAPI** 后端和 **Streamlit** 前端组成，通过 **Docker** 编排。它在三个不同的取证层采用“专家集成”方法： ### 🔍 第一层：像素级分析（ELA） * **引擎：** `ElaDetector` * **逻辑：** 使用**误差级别分析**检测压缩不一致性。 * **目标：** 识别手动“拼接”或“Photoshop”编辑，其中图像的特定区域具有与图像其余部分不同的压缩级别。 ### 🧠 第二层：语义分析（CLIP） * **引擎：** `ClipAuthenticator` * **逻辑：** 利用 OpenAI 的 **CLIP**（对比语言-图像预训练）进行零样本分类。 * **目标：** 通过比较图像嵌入与已知的真实与合成描述，检测生成模型（如 Midjourney 或 DALL-E）的“潜在 DNA”。 ### 🕵️ 第三层：逻辑推理（VLM） * **引擎：** `VlmExplainer` * **逻辑：** 利用**Qwen2-VL-2B**，一种先进的视觉语言模型。 * **目标：** 充当“数字侦探”，识别物理上的不可能性（例如不对称的阴影、扭曲的肢体或不自然的光照），并以自然语言进行解释。 ## 🛠️ 技术栈 * **API：** FastAPI * **前端：** Streamlit * **机器学习框架：** PyTorch、Transformers（Hugging Face） * **模型：** `openai/clip-vit-base-patch32`、`Qwen/Qwen2-VL-2B-Instruct` * **部署：** Docker ## 🚀 本地安装 请确保您的机器上已安装 **Docker**。 1. **克隆仓库：** git clone [https://github.com/KadirCanCelik/visual-forensics-radar.git](https://github.com/KadirCanCelik/visual-forensics-radar.git) cd visual-forensics-radar 2. **构建 Docker 镜像：** docker build -t visual-forensics-radar . 3. **运行容器：** docker run -p 8501:8501 -p 8000:8000 visual-forensics-radar 4. **访问仪表板：** 打开浏览器并导航至 `http://localhost:8501`。

标签：AI安全, AI生成内容检测, AV绕过, Chat Copilot, CLIP, Docker, ELA, Ensemble of Experts, Error Level Analysis, FastAPI, Hugging Face, Kubernetes, NIDS, Python, PyTorch, Qwen2-VL, Streamlit, 伪造检测, 凭据扫描, 图像取证, 多模态, 媒体真实性, 安全防御评估, 容器化, 数字取证, 无后门, 深度学习, 端到端检测, 自动化脚本, 视觉取证, 视觉语言推理, 访问控制, 请求拦截, 逆向工具