Von sechs Zahlen zu Millionen Gewichten: Eine explorative Studie zur Detektion KI-generierter Bilder

KI-Bildgeneratoren können inzwischen fotorealistische Bilder von Menschen, Orten und Dingen erzeugen, die nie existiert haben und verwischen damit die Grenze zwischen dem, was real ist, und dem, was synthetisch ist. Dieses Projekt hatte zum Ziel, von Grund auf zu verstehen, was eigentlich passiert, wenn eine Maschine versucht, die Arbeit einer anderen Maschine zu erkennen: Was ist ein Bild für einen Computer, was lernt ein Modell tatsächlich, was bedeutet „Training“ überhaupt?

Dazu haben wir drei Detektoren mit zunehmender Komplexität entwickelt und getestet: einen Random-Forest unter Verwendung von sechs einfachen Bildstatistiken, einen Random-Forest auf Basis von Roh-Pixel-Daten und ein feinabgestimmtes EfficientNet-V2-S-Neuralnetz. Jeder dieser Detektoren wurde so ehrlich wie möglich getestet, nicht darauf optimiert, besonders beeindruckende Ergebnisse zu produzieren.

Herausgekommen ist dabei kein fertiger, perfekter Detektor, sondern ein klares Verständnis dafür, warum dieses Problem schwieriger ist, als es zunächst wirkt. Diese Fokussierung auf Verstehen statt nur Performance entspricht genau dem, was uns das AI & Society Micro-Degree vermittelt hat: nicht nur KI-Systeme zu entwickeln, sondern sie wirklich zu verstehen.