DOI: https://doi.org/10.1109/tifs.2026.3653213
تاريخ النشر: 2026-01-01
المؤلف: David Vázquez-Padín وآخرون
الموضوع الرئيسي: الكشف الجنائي عن الوسائط الرقمية
نظرة عامة
في هذا القسم، يقوم المؤلفون بالتحقيق في نمط الضوضاء الاصطناعية الناتجة عن عدم التركيز (SDNP) الموجود في صور وضع البورتريه على آيفون، والذي يحاكي تأثير البوكيه. يسلطون الضوء على التداخل المحتمل لهذا النمط مع التحليلات الجنائية، خاصة في التحقق من مصدر الكاميرا باستخدام تقنيات عدم التجانس في استجابة الصورة (PRNU). يقدم البحث توصيفًا شاملاً لـ SDNP، موضحًا اعتماده على عوامل مثل سطوع المشهد وإعدادات ISO، ويقترح طرقًا لتقديره بدقة. تشير النتائج إلى أن فهم SDNP يمكن أن يعزز التطبيقات الجنائية، بما في ذلك إمكانية تتبع صور وضع البورتريه عبر نماذج آيفون وإصدارات iOS المختلفة، بينما يحسن أيضًا دقة التحقق من المصدر القائم على PRNU من خلال تقليل الإيجابيات الكاذبة.
يختتم المؤلفون بتحديد اتجاهات البحث المستقبلية، والتي تشمل توسيع التحليل ليشمل أجهزة وبرامج أبل الأخرى، وتنقيح طرق استخراج BP، واستكشاف الأهمية الجنائية للأنماط القوسية الملحوظة في خرائط الارتباط المتقاطع المعاير (NCC) المدفوعة بـ BP. كما يعبرون عن نيتهم في التحقيق في تحديد العتبات التكيفية لتحديد موقع SDNP والفوائد المحتملة لوظيفة تعتمد على السطوع. تؤكد الدراسة على قابلية تطبيق نمذجة العيوب الاصطناعية الخاصة بالجهاز في التحليل الجنائي، مشيرة إلى النتائج الأولية لأنماط مماثلة في أجهزة من شركات أخرى، مثل سامسونغ وهواوي. ومع ذلك، يعترف المؤلفون بالحاجة إلى مزيد من التنقيح والحذر بشأن استمرار هذه العيوب في خطوط التصوير المستقبلية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التحديات التي تطرحها دمج تقنيات التصوير الحسابي في الهواتف الذكية الحديثة، خاصة فيما يتعلق بالتحليل الجنائي للصور. تقنيات مثل تجميع الصور، وتصوير النطاق الديناميكي العالي (HDR)، ووضع البورتريه، التي تعزز جودة الصورة، تعقد الطرق الجنائية التقليدية التي تعتمد على نماذج اكتساب الصور المعتمدة للتحقق من مصدر الكاميرا واكتشاف التلاعب. أشارت الدراسات السابقة إلى أن هذه الأنماط الحسابية يمكن أن تؤدي إلى نسب خاطئة في التحليل الجنائي، لا سيما في وضع البورتريه من أبل، الذي أظهر أنه ينتج إيجابيات كاذبة في نسب مصدر الكاميرا.
يهدف المؤلفون إلى التحقيق في الأنماط المحددة التي قدمها وضع البورتريه من أبل، والتي تُسمى نمط الضوضاء الاصطناعية الناتجة عن عدم التركيز (SDNP). تشمل مساهماتهم طرقًا لاستخراج وتوصيف SDNP تحت ظروف إضاءة متغيرة، وتقييم اعتماده على سطوع المشهد وإعدادات ISO، وتتبع تبايناته عبر نماذج آيفون وإصدارات iOS المختلفة. تستكشف الدراسة أيضًا متانة اكتشاف SDNP تحت سيناريوهات ما بعد المعالجة المعقدة، مثل مشاركة الصور. يتم وضع هذا البحث لتعزيز التطبيقات الجنائية من خلال توفير أدوات للتعامل بشكل أفضل مع صور البورتريه وتقليل الأخطاء في نسب مصدر الكاميرا، مما يعالج الحاجة المتزايدة لتحليل جنائي فعال في عصر التصوير الحسابي.
طرق
في هذا القسم، يوضح المؤلفون النتائج التجريبية التي تم الحصول عليها من تقييمهم للتطبيقات الجنائية المدعومة بـ BP. ركزت التجارب على عدة مجالات رئيسية: الكشف عن أنماط القياسات الحيوية (BP) وتحديدها، والتخفيف من تصادمات عدم التجانس في استجابة الصورة (PRNU)، وتحليل مقارن مع الطرق المقترحة من قبل باراكي وآخرين [2]. بالإضافة إلى ذلك، تم تقييم متانة التطبيقات المقترحة ضد تقنيات ما بعد المعالجة المختلفة. كانت هذه التجارب تهدف إلى التحقق من فعالية وموثوقية النهج المدعوم بـ BP في السياقات الجنائية.
نتائج
في هذا القسم، يناقش المؤلفون النتائج المقارنة لتقنيتهم في مطابقة PRNU (عدم التجانس في استجابة الصورة) المدركة لـ BP مقابل الطرق المقترحة من قبل باراكي وآخرين [2]، التي تناولت في البداية العيوب غير المتجانسة (NUAs) في صور البورتريه من أبل. وجد باراكي وآخرون أن NUAs أظهرت ارتباطًا أقوى مع PRNU مما كان متوقعًا. ومع ذلك، يوضح المؤلفون أن نمط BP (النمط الخلفي) لـ SDNP (نمط الضوضاء الاصطناعية الناتجة عن العمق) من أبل ليس مجرد عيب ولكن نمط اصطناعي تم دمجه عمدًا من قبل أبل.
يستعرض المؤلفون تقنيتين من باراكي وآخرين – الطرق الموزونة والثنائية – التي تستخدم معلومات خريطة العمق لتعديل تقدير PRNU، مما يؤدي إلى التقديرات المعدلة $K_w$ و $K_b$. يطبقون نفس إحصائية الاختبار كما في عملهم السابق، مستبدلين PRNU الأساسي بهذه التقديرات المعدلة. تتضمن طريقتهم، الموضحة في القسم VI-B، حساب بقايا الصورة $W$ والقناع الثنائي $M$ باستخدام المعلمات $K = 5$ و $\alpha = 0.07$، ويستخدمون إحصائية اختبار مختلفة كما هو موضح في المعادلة (17). ثم يحدد المؤلفون تصميمهم التجريبي، الذي يتضمن ثلاث تجارب تهدف إلى تقييم أداء حلهم المدرك لـ BP مقارنةً بكل من طرق باراكي وآخرين ونهج PRNU الأساسي.
مناقشة
في قسم المناقشة من الورقة، يقوم المؤلفون بإنشاء نظام تدوين شامل للمصفوفات والمتجهات والقياسات، مما يسهل فهم العمليات الرياضية الرئيسية ذات الصلة بدراستهم. يقدمون مفهوم عدم التجانس في استجابة الصورة (PRNU) كعلامة فريدة للتحقق من مصدر الكاميرا، مشددين على أهميته في تمييز الصور الملتقطة بواسطة أجهزة مختلفة. يوضح المؤلفون عملية استخراج واكتشاف بصمة PRNU، مؤكدين على استخدام تقدير الاحتمالية القصوى (MLE) لاشتقاق PRNU من مجموعة من الصور بدقة أصلية. كما يقدمون إطار عمل لاختبار الفرضيات لتحديد ما إذا كانت صورة الاختبار تحتوي على PRNU محدد، باستخدام إحصائية طاقة الذروة إلى الارتباط (PCE) ومقياس تشابه فعال حسابيًا، $\eta$، بناءً على الارتباط المتقاطع المعاير (NCC).
يستكشف المؤلفون أيضًا تأثير وضع البورتريه من أبل على التحقق القائم على PRNU، كاشفين أن هذا الوضع يقدم نمط ضوضاء اصطناعية مميز (SDNP) يمكن أن يؤدي إلى إيجابيات كاذبة في نسب الكاميرا. تشير تحليلاتهم إلى أن الصور الملتقطة في وضع البورتريه تظهر ارتباطًا أقوى مع SDNP مقارنةً بـ PRNU الخاص بالجهاز، مما يعقد التحقق من المصدر. يختتمون بالقول إن التعديلات على عتبات الكشف وحدها غير كافية لمعالجة التحديات التي تطرحها تقنيات التصوير الحسابي، مما يستلزم فهمًا أعمق لخصائص SDNP وآثارها على التطبيقات الجنائية. تمهد هذه القسم الطريق للتحقيقات اللاحقة في استخراج ونمذجة النمط الأساسي (BP) المرتبط بصور البورتريه من أبل، وهو أمر حاسم لتعزيز دقة طرق التحقق من مصدر الكاميرا.
DOI: https://doi.org/10.1109/tifs.2026.3653213
Publication Date: 2026-01-01
Author(s): David Vázquez-Padín et al.
Primary Topic: Digital Media Forensic Detection
Overview
In this section, the authors investigate Apple’s Synthetic Defocus Noise Pattern (SDNP) found in iPhone portrait-mode images, which simulates the bokeh effect. They highlight the potential interference of this pattern with forensic analyses, particularly in camera source verification using Photo Response Non-Uniformity (PRNU) techniques. The paper provides a comprehensive characterization of the SDNP, detailing its dependence on factors such as scene brightness and ISO settings, and proposes methods for its precise estimation. The findings indicate that understanding the SDNP can enhance forensic applications, including the traceability of portrait-mode images across different iPhone models and iOS versions, while also improving the accuracy of PRNU-based source verification by reducing false positives.
The authors conclude by outlining future research directions, which include extending the analysis to other Apple devices and software, refining BP extraction methods, and exploring the forensic significance of observed arc patterns in BP-driven Normalized Cross-Correlation (NCC) maps. They also express intent to investigate adaptive thresholding for SDNP localization and the potential benefits of a brightness-dependent function. The study emphasizes the broader applicability of device-specific synthetic artifact modeling for forensic analysis, noting preliminary findings of similar patterns in devices from other manufacturers, such as Samsung and Huawei. However, the authors acknowledge the need for further refinement and caution regarding the persistence of these artifacts in future imaging pipelines.
Introduction
The introduction of this research paper highlights the challenges posed by the integration of computational photography techniques in modern smartphones, particularly regarding image forensics. Techniques such as image stitching, High Dynamic Range (HDR) imaging, and portrait mode, which enhance image quality, complicate traditional forensic methods that rely on established image acquisition models for source camera verification and manipulation detection. Previous studies have indicated that these computational modes can lead to misattributions in forensic analysis, notably in Apple’s portrait mode, which has been shown to produce false positives in camera source attribution.
The authors aim to investigate the specific patterns introduced by Apple’s portrait mode, termed the Synthetic Defocus Noise Pattern (SDNP). Their contributions include methods for extracting and characterizing the SDNP under varying lighting conditions, assessing its dependency on scene luminance and ISO settings, and tracking its variations across different iPhone models and iOS versions. The study also explores the robustness of SDNP detection under complex post-processing scenarios, such as image sharing. This research is positioned to enhance forensic applications by providing tools to better handle portrait images and mitigate errors in camera source attribution, thereby addressing the growing need for effective forensic analysis in the era of computational imaging.
Methods
In this section, the authors detail the experimental results obtained from their evaluation of BPenabled forensic applications. The experiments focused on several key areas: the detection and identification of biometric patterns (BP), the mitigation of Photo Response Non-Uniformity (PRNU) collisions, and a comparative analysis with the methods proposed by Baracchi et al. [2]. Additionally, the robustness of the proposed applications against various post-processing techniques was assessed. These experiments aimed to validate the effectiveness and reliability of the BPenabled approach in forensic contexts.
Results
In this section, the authors discuss the comparative results of their BP-aware PRNU (Photo Response Non-Uniformity) matching technique against the methods proposed by Baracchi et al. [2], which initially addressed Non-Uniform Artifacts (NUAs) in Apple portrait images. Baracchi et al. found that NUAs exhibited a stronger correlation with the PRNU than expected. However, the authors clarify that the underlying BP (Background Pattern) of Apple’s SDNP (Synthetic Depth Noise Pattern) is not merely an artifact but a synthetic pattern intentionally integrated by Apple.
The authors detail Baracchi et al.’s two techniques—weighted and binary methods—that utilize depth map information to modify the PRNU estimate, resulting in the adjusted estimates $K_w$ and $K_b$. They apply the same test statistic as in their previous work, substituting the baseline PRNU with these adjusted estimates. Their approach, elaborated in Section VI-B, involves computing the image residue $W$ and the binary mask $M$ using parameters $K = 5$ and $\alpha = 0.07$, and they employ a different test statistic as indicated in equation (17). The authors then outline their experimental design, which includes three experiments aimed at evaluating the performance of their BP-aware solution in comparison to both Baracchi et al.’s methods and the baseline PRNU approach.
Discussion
In the discussion section of the paper, the authors establish a comprehensive notation system for matrices, vectors, and scalars, facilitating the understanding of key mathematical operations relevant to their study. They introduce the concept of the Photo Response Non-Uniformity (PRNU) as a unique fingerprint for camera source verification, highlighting its significance in distinguishing images captured by different devices. The authors detail the process of PRNU fingerprint extraction and detection, emphasizing the use of Maximum Likelihood Estimation (MLE) to derive the PRNU from a set of native-resolution images. They also present a hypothesis testing framework to ascertain whether a test image contains a specific PRNU, utilizing the Peak-to-Correlation Energy (PCE) statistic and a computationally efficient similarity measure, $\eta$, based on Normalized Cross-Correlation (NCC).
The authors further investigate the impact of Apple’s portrait mode on PRNU-based verification, revealing that this mode introduces a distinct synthetic noise pattern (SDNP) that can lead to false positives in camera attribution. Their analysis indicates that images taken in portrait mode exhibit a stronger correlation with the SDNP than with the device’s PRNU, complicating source verification. They conclude that adjustments to detection thresholds alone are insufficient to address the verification challenges posed by computational imaging techniques, necessitating a deeper understanding of the SDNP’s characteristics and its implications for forensic applications. The section sets the stage for subsequent investigations into the extraction and modeling of the base pattern (BP) associated with Apple’s portrait images, which is critical for enhancing the accuracy of camera source verification methods.