GÖRÜNTÜ ANALİZİ UYGULAMA SÜREÇLERİNİN GELİŞTİRİLMESİ: TAMAMLAMA, SAHTECİLİK VE İYİLEŞTİRME

Abstract

Günümüzde, görüntü işleme ve analizi ile ilgili tekniklerin yaygınlaşması, manipüle edilmiş içeriklerin doğru ve yanıltıcı içeriklerle karıştırılma riskini artırmıştır. Bu durum sahte haberlerin, yanıltıcı video ve ses kayıtlarının oluşturulmasıyla toplumsal, politik ve kişisel düzeyde ciddi sonuçlara yol açmaktadır. Görüntü işlemenin hayatımızdaki en etkili kullanılan tekniklerinden biri olan derin kurgu teknolojisinin, kötü niyetli amaçlarla kullanılması, mahremiyetin ihlali gibi ciddi sorunlara neden olabilir. Bu nedenle, derin kurgu tespiti gibi önleyici önlemlerin geliştirilmesi ve doğru kullanımı son derece önemlidir. Derin kurgu tespiti, yapay zekâ ve makine öğrenimi teknikleriyle manipülasyonları tespit etmeyi amaçlamaktadır. Derin öğrenme algoritmaları, istatistiksel analiz ve özel algoritmalar gibi yöntemler bu tespitte kullanılır. Aynı zamanda derin kurgu teknolojisinin görüntüler üzerinde çalışmalarında büyük bir payı olan görüntü tamamlama ve görüntü iyileştirme teknolojileri hayatımızın bir parçası haline gelmiştir. Siber güvenlik uzmanlarından suçlu kişileri tespit eden ekiplere, photoshop uzmanlarından sosyal medya kullanıcılarına kadar geniş bir yelpazeye sahiptir. Bu amaçla bilgisayar bilimleri alanında yapay zekâ destekli birçok görüntü tamamlama ve silme tekniği geliştirilmiştir. Görüntü tamamlama ve silme tekniklerine ek olarak görüntü iyileştirme teknikleri de var olan çalışmalarda büyük etkiye sahiptir. Derin öğrenme modelleri, düşük çözünürlüklü veya bozuk görüntülerin yeniden oluşturulması ve iyileştirilmesinde önemli bir rol oynamaktadır. Bu tez çalışmasında önerilen yapay zekâ yöntemleri, görüntü tamamlama için CelebA-HQ, sahtecilik tespiti için FaceForencisc++, görüntü iyileştirme için FlickR2K veri setleri üzerinde yüksek doğruluk oranları elde etmiştir. Görüntü tamamlama için CelebA-HQ veri seti üzerinde yapılan çalışmada elde edilen sonuçlar, geliştirilen görüntü tamamlama tekniğinin verimli bir şekilde çalıştığını göstermektedir. Görüntü tamamlama çalışmalarında maske boyutuna bağlı olarak değişen eğitim ve test sonucunda, elde edilen en iyi PSNR değeri 35.25, SSIM değeri ise 0.96 olmuştur. Sahtecilik tespiti için gerçekleştirilen çalışmada FaceForencisc++ veri seti için ise %98.82 doğruluk oranı elde edilmiştir. Görüntü iyileştirme çalışması için FlickR2K veri seti üzerinde yapılan çalışmalarda 29.16 PSNR, 0.95 SSIM değerleri elde edilmiştir. Böylece gerçekleştirilen uygulamalar derin kurgu tespiti, görüntü tamamlama ve görüntü iyileştirme için kullanılan tekniklerin yapay zekânın başarılı bir şekilde kullanılmasını ve etkili sonuçların elde edilmesini sağlamaktadır. Bu sonuçlar, önerilen yapay zekâ modellerinin derin kurgu tekniklerini tahmin etmede, oluşturmada ve analizini yapmada etkili olduğunu göstermektedir.

Nowadays, with the widespread use of image processing and analysis techniques, the risk of confusing manipulated content with true and misleading content has increased. This situation can lead to significant harm on social, political, and personal levels, as it perpetuates the spread of fake news and misleading video and audio recordings. The malicious use of deep editing technology, one of the most effective image processing techniques in our lives, can lead to serious issues, including privacy concerns. Therefore, the development and correct use of protective measures such as deep editing modifications are extremely important. Artificial intelligence and machine development techniques detect deep editing errors and manipulations. This detection employs innovations like deep learning software, continuous analysis, and specialized applications. Simultaneously, image completion and merging technologies, which account for a significant portion of deep editing processes, have become an integral part of our daily lives. This technology serves a diverse range of users, including cyber security experts, criminal detection teams, Photoshop experts, and social media users. There are many artificial intelligence-supported image completion and deletion systems in this intended field of computer science. In addition to image completion and deletion techniques, there are also image fusion techniques that offer significant advantages. Deep learning models can retune and select low values or corrupted data. High accuracy rates have been achieved on the artificial intelligence methods that present this thesis proposal: CelebA-HQ for image completion, FaceForencisc++ for forgery errors, and FlickR2K data modules for image fusion. The results obtained from the improvements made to the CelebA-HQ dataset for image completion show that the detail image completion technology works efficiently. Depending on the mask size of the imaging processes, the training and testing results showed that the best PSNR value was 35.25 and the best SSIM value was 0.96. Recording for fraud: The FaceForencisc++ dataset yielded an accuracy rate of 98.82%. The configuration on the FlickR2K dataset for image studies yielded 29.16 PSNR and 0.95 SSIM values. Thus, in-depth editing of simulation applications, technologies used for image completion and image merging, and artificial intelligence are successfully combined, and effective results are achieved. These results show that possible artificial intelligence models are effective in predicting, creating, and analyzing deep editing techniques.