La detección de falsificaciones de imagen se ha convertido en una necesidad crítica para empresas y organismos que manejan grandes volúmenes de datos visuales, especialmente en sectores como la ciberseguridad, la verificación de identidad y la auditoría forense. Los métodos tradicionales basados en redes neuronales profundas, aunque precisos, suelen requerir GPUs costosas y grandes conjuntos de datos etiquetados, lo que limita su adopción en entornos con recursos restringidos. En este contexto, proponemos un enfoque ligero e interpretable que utiliza exclusivamente CPU, combinando análisis JPEG multiescala con técnicas de ingeniería de características. Este método no solo es eficiente, sino que ofrece una transparencia que permite a los analistas comprender por qué se clasifica una imagen como manipulada.
El núcleo de nuestra propuesta es el Análisis de Nivel de Error Multiescala (Multi-scale ELA), que evalúa las compresiones JPEG a siete niveles de calidad diferentes. Al comparar las diferencias entre estas versiones, podemos detectar inconsistencias en la historia de compresión de la imagen, un indicador clásico de regiones insertadas o modificadas. Además, introducimos las relaciones cruzadas de calidad ELA (cross-quality ELA ratios), que capturan artefactos de doble compresión típicos de splicings. Este conjunto se complementa con otras características como la entropía espacial, las bandas de energía FFT, la densidad de bordes, los residuos SRM y el bloqueo DCT, dando lugar a un vector de 405 dimensiones.
Para validar el método, utilizamos el dataset CASIA v2.0, que presenta un conocido sesgo de formato: el 60% de las imágenes manipuladas están en TIFF, mientras que las auténticas son JPEG o BMP, sin muestras TIFF. Esto permite que un clasificador trivial basado únicamente en la extensión alcance un AUC de 0,80. Para evitar este confundidor, realizamos una evaluación controlada por formato, utilizando solo el subconjunto JPEG (9.501 imágenes). En estas condiciones, nuestro método alcanza un AUC de 0,990 [IC 95%: 0,988–0,991] y un F1 de 0,905 mediante validación cruzada estratificada de 5 pliegues. Incluso bajo una partición conservadora que respeta el origen de las imágenes (evitando que imágenes relacionadas aparezcan en entrenamiento y test), el AUC se mantiene en 0,976.
El estudio de ablación revela que el ELA multiescala aporta la ganancia dominante (+0,180 sobre ELA de calidad única), mientras que las relaciones cruzadas proporcionan una detección complementaria de doble compresión. Estos resultados demuestran que el método detecta inconsistencias en la historia de compresión, no atajos basados en el formato de archivo. Además, al ser ejecutable completamente en CPU, ofrece inferencia en menos de un segundo, lo que lo hace ideal para despliegues en entornos con recursos limitados o en la nube.
En Q2BSTUDIO, entendemos que la seguridad de la información y la inteligencia artificial son pilares fundamentales para las empresas modernas. Por ello, incorporamos técnicas como esta en nuestras soluciones de aplicaciones a medida que permiten a nuestros clientes automatizar la verificación de imágenes sin depender de hardware especializado. Por ejemplo, una plataforma de moderación de contenido puede integrar este clasificador como parte de un flujo de trabajo en la nube (AWS o Azure), combinándolo con agentes de IA para tomar decisiones en tiempo real. Asimismo, los resultados interpretables facilitan la generación de informes en herramientas de BI como Power BI, donde los equipos de auditoría pueden visualizar las características que llevaron a una detección.
Desde la perspectiva de ciberseguridad, esta técnica es especialmente valiosa para detectar imágenes manipuladas en procesos de verificación de identidad o en evidencias digitales. Nuestro equipo en Q2BSTUDIO desarrolla software a medida que integra estos algoritmos en entornos corporativos, garantizando que cualquier empresa, independientemente de su presupuesto, pueda protegerse contra fraudes visuales. Además, la posibilidad de ejecutarlo en CPU facilita su inclusión en dispositivos edge o en soluciones on-premise, algo que valoran especialmente los clientes con requisitos estrictos de privacidad.
El futuro de esta línea de trabajo pasa por explorar más características derivadas de la transformada Wavelet o de técnicas de aprendizaje automático no supervisado que mejoren la detección de nuevas formas de falsificación. En Q2BSTUDIO, estamos comprometidos con la innovación continua y ofrecemos servicios de consultoría y desarrollo para ayudar a las empresas a adoptar estas tecnologías. Si tu organización necesita implementar sistemas de detección de falsificaciones o fortalecer sus capacidades de ciberseguridad, no dudes en contactarnos.
