Leitfaden

Wie KI-Bilderkennung funktioniert

Eine verständliche Erklärung der forensischen Verfahren hinter Tools wie TrueFace.

Ebenfalls verfügbar in: EnglishEspañolFrançaisDeutsch

KI-Bilddetektoren suchen die winzigen Fingerabdrücke, die generative Modelle, Beauty-Filter und Deepfake-Pipelines hinterlassen. Das menschliche Auge übersieht sie, statistisch sind sie aber laut — wenn man weiß, wo man hinsieht.

1. Frequenzbereichsanalyse

Echte Kameras erfassen Licht über Objektiv, Sensor und JPEG-Kompressor. Diese Kette erzeugt eine sehr spezifische Frequenzsignatur — feines Hochfrequenzrauschen, das gleichmäßig über das Bild verteilt ist. Generative Modelle (Diffusion, GANs) glätten die hohen Frequenzen tendenziell zu stark und hinterlassen periodische Artefakte. Eine Fourier-Transformation macht diese als unnatürliche Spitzen oder Gitter sichtbar.

2. GAN-Inversion und Rekonstruktionsfehler

Bei KI-generierten Gesichtern versuchen Detektoren, das Foto in den latenten Raum eines bekannten Generators zurückzuprojizieren. Kann das Modell das Gesicht mit einem kleinen Latent-Vektor nahezu perfekt rekonstruieren, ist das Foto statistisch nahe an dem, was dieser Generator erzeugen könnte. Echte Fotos widerstehen dieser Inversion — der Rekonstruktionsfehler bleibt hoch.

3. Filter- und Retusche-Erkennung

Beauty-Filter glätten Haut, vergrößern Augen, verschieben Hauttöne und verändern die Gesichtsgeometrie. Diese Eingriffe hinterlassen messbare Spuren: unnatürlich geringe Haut-Texturvarianz, Symmetrie jenseits des natürlichen menschlichen Bereichs und verformte lokale Geometrie an Kiefer und Nase. TrueFace misst diese Signale pro Gesicht, nicht pro Bild, sodass ein Gruppenfoto, in dem nur eine Person gefiltert ist, korrekt markiert wird.

4. Deepfake-spezifische Hinweise

Face-Swap- und Lip-Sync-Deepfakes setzen ein generiertes Gesicht auf einen realen Körper. Detektoren prüfen die Nähte: Farbsprünge zwischen Gesicht und Hals, unterschiedliches Kompressionsrauschen innerhalb und außerhalb des Gesichts, inkonsistente Lichtrichtung und fehlende Mikroexpressionen um die Augen.

5. Warum kein Detektor zu 100 % genau ist

Generative Modelle verbessern sich monatlich, und starke Re-Kompression (Screenshot → Social-Plattform → erneuter Screenshot) löscht viele Artefakte, auf die sich Detektoren stützen. Ein verantwortungsvoller KI-Bilddetektor liefert eine Wahrscheinlichkeit, kein Urteil, und wird am besten zusammen mit Kontext genutzt (woher stammt das Foto? bleiben Metadaten erhalten?). TrueFace behandelt jedes Ergebnis als forensisches Signal — nicht als Gerichtsbeweis.

Selbst ausprobieren

Laden Sie ein beliebiges Porträt in den TrueFace-Scanner und Sie sehen eine gesichtsweise Auswertung der obigen Signale mit farbcodiertem Urteil. Scanner öffnen.

Häufig gestellte Fragen

Wie funktionieren KI-Bilddetektoren?

Sie analysieren Frequenzartefakte, GAN-Inversionsfehler, Filterspuren und Deepfake-Nähte, die generative Modelle hinterlassen. Jedes Signal wird pro Gesicht gemessen und zu einer Wahrscheinlichkeit kombiniert, nicht zu einem binären Urteil.

Können KI-Detektoren immer erkennen, ob ein Foto KI-generiert ist?

Nein. Starke Re-Kompression (Screenshot → Social-Plattform → erneuter Screenshot) kann die Artefakte löschen, und jede neue Modellgeneration hinterlässt weniger Spuren. Ein verantwortungsvoller Detektor liefert eine Wahrscheinlichkeit zusammen mit Kontext.

Was ist GAN-Inversion?

GAN-Inversion projiziert ein Foto zurück in den Latentraum eines bekannten Generators. Rekonstruiert das Modell das Gesicht mit einem kleinen Latentvektor fast perfekt, liegt das Bild statistisch nahe an dem, was dieser Generator erzeugen könnte.

Lassen sich Beauty-Filter in einem Foto erkennen?

Ja. Filter hinterlassen messbare Spuren: ungewöhnlich niedrige Hautstruktur-Varianz, verzerrte lokale Geometrie an Kiefer und Nase und Symmetrie über dem natürlichen menschlichen Bereich. TrueFace misst diese pro Gesicht, sodass in einem Gruppenfoto auch eine einzelne gefilterte Person korrekt markiert wird.

Wie genau ist TrueFace?

TrueFace liefert eine Wahrscheinlichkeit zwischen 0 und 100 % pro Gesicht samt den zugrundeliegenden Signalen. Bei sauberen, unkomprimierten Porträts ist die Erkennung sehr zuverlässig; stark komprimierte oder bearbeitete Bilder werden mit geringerer Konfidenz gemeldet.