AI Görüntü Dedektörü Nasıl Çalışır: Çift Katmanlı Mimari

Üretici yapay zekanın baş döndürücü gelişimi görsel medya dünyasını kökten değiştirdi. Midjourney v6, OpenAI DALL-E 3, Stable Diffusion XL, Flux.1 ve Google Imagen gibi gelişmiş modeller, saniyeler içinde gerçeğinden ayırt edilmesi neredeyse imkansız portreler, manzaralar ve illüstrasyonlar üretebiliyor.

Bu durum yaratıcılık için benzersiz kapılar aralasa da beraberinde önemli tehditler getiriyor: sahte haberlerin yayılması, deepfake manipülasyonları, stok fotoğraf arşivlerinin kirlenmesi ve telif hakkı ihlalleri.

Bu sorunlara şeffaf ve güvenilir bir çözüm sunmak amacıyla ImageSizeFinder Ücretsiz AI Görüntü Dedektörü aracını geliştirdi. Belirsiz bir yüzde puanı için abonelik ücreti talep eden kapalı sistemlerin aksine, aracımız gizlilik öncelikli çift katmanlı bir tespit mimarisi kullanır. Tüm kritik kontroller doğrudan tarayıcınızda gerçekleştirilir ve doğrulanabilir teknik kanıtlar açıkça sunulur.

Bu rehberde dedektörün temel işlevlerini, mimari yapısını, matematiksel temellerini ve pratik sınırlarını ele alıyoruz.

Şekil 1: Çok kaynaklı yükleme, toplu işleme ve yerel gizlilik denetimi sunan ImageSizeFinder ücretsiz AI görüntü dedektörü arayüzü.

1. AI Görüntü Dedektörünün Temel Özellikleri

Araç; hız, kullanıcı gizliliği ve analitik derinliği kusursuz şekilde dengelemek üzere tasarlandı:

• %100 Ücretsiz ve Sınırsız: Hesap açma zorunluluğu, abonelik ücreti veya tarayıcı içi yerel analizlerde yapay günlük tarama kotası yoktur.
• İstemci Tarafında Tam Gizlilik (Zero-Upload): Meta veri taraması ve piksel gürültü hesaplamaları, WebAssembly ve HTML5 Canvas API aracılığıyla tamamen tarayıcınızda çalışır. İsteğe bağlı bulut analizini seçmediğiniz sürece görselleriniz asla sunuculara gönderilmez.
• Çok Yönlü Giriş Yöntemleri:
  • Tekli veya çoklu görsel dosyalarını sürükleyip bırakma.
  • İşletim sisteminin dosya yöneticisi üzerinden seçim yapma.
  • Panodan doğrudan yapıştırma: Ekran görüntülerini anında analiz etmek için sayfanın herhangi bir yerinde Ctrl+V (macOS'ta Cmd+V) tuşlarına basın.
  • Doğrudan görsel bağlantısı: Web'deki görselleri cihazınıza indirmeden analiz etmek için https:// bağlantısını yapıştırın.
• Entegre Toplu İşlem Alanı: Onlarca görseli tek seferde yükleyin, durumlarını düzenli bir listede görün ve tek tıklamayla toplu analiz başlatın.
• Şeffaf Kanıt Paneli: İncelenen her görseli genişleterek sonuca nasıl varıldığını ayrıntılarıyla görün: yazılım imzaları, IPTC menşe etiketleri, üretim komutları ve kalıntı gürültü varyansı.

2. Tespit Mimarisi: Kademeli Çift Katman

Yapay zeka tarafından üretilen içerikleri tespit etmek karmaşık bir süreçtir, çünkü hiçbir işaret tek başına kusursuz değildir. Meta veriler temizlenebilir ve yeniden sıkıştırma piksel yapısını bozar.

Sistemimiz bu nedenle iki aşamalı kademeli bir boru hattı kullanır:

Şekil 2: Üç aşamalı kademeli mimari: WebAssembly ile deterministik meta veri taraması, Canvas üzerinde yüksek frekanslı gürültü konvolüsyonu ve isteğe bağlı bulut model doğrulaması.

3. Uygulama Detayları: Katmanların Çalışma Prensibi

Katman 1: Deterministik Meta Veri ve Menşe Analizi

Pek çok üretici yapay zeka aracı, görselleri kaydederken dosya yapısına standart dijital imzalar ekler. Birinci katman, istemci tarafındaki ikili ayrıştırıcı kütüphaneleri (örneğin ExifReader) kullanarak dosya baytlarını tarar:

1. IPTC Digital Source Type (Dijital Kaynak Türü):
   • Uluslararası medya standardıdır. AI üretimi içerikler trainedAlgorithmicMedia veya compositeSynthetic olarak etiketlenir.
   • Google Imagen ve Adobe Firefly bu alanı düzenli olarak doldurur.
2. IPTC Credit ve Software Etiketleri:
   • Midjourney web sürümleri Credit veya Software alanına Midjourney ibaresini ekler.
   • DALL-E 3, OpenAI kaynaklı üretimi belirten özel etiketler barındırır.
3. PNG Metin Blokları (tEXt, iTXt, zTXt):
   • Stable Diffusion yazılımları (Automatic1111, ComfyUI, Forge), tüm üretim parametrelerini PNG başlığına kaydeder.
   • Pozitif ve negatif prompt metinleri, seed değeri, CFG ölçeği, sampler tipi ve LoRA modelleri buradan eksiksiz çıkarılır.
4. C2PA İçerik Kimlik Bilgileri:
   • Content Authenticity Initiative standartlarına uygun olarak dijital imzalı JUMBF kapsayıcıları (c2pa kutuları) aranır.

Bu katmanda kesin bir kanıt bulunduğunda, sistem ek işlem gücü harcamadan görseli doğrudan Yüksek Güvenilirlik (High Confidence) ile sınıflandırır.

Şekil 3: Çıkarılan model üretim parametrelerini (adımlar, sampler, CFG) ve piksel gürültü varyans değerlerini gösteren kanıt paneli.

Katman 2: Tarayıcı İçi Piksel Gürültü Varyans Analizi

Görselde meta veri bulunmadığında (örneğin JPEG formatına dönüştürüldüğünde veya temizlendiğinde), tarayıcı OffscreenCanvas ve HTML5 Canvas API aracılığıyla uzamsal istatistiksel analiz başlatır.

Şekil 4: Yüksek frekanslı kalıntı gürültüyü R(x, y) ayrıştıran ayrık 3x3 Laplace konvolüsyonu; optik kamera sensörü ile difüzyon modellerinin karşılaştırması.

Fiziksel ve Matematiksel Temeller

• Gerçek Kamera Sensörleri: Fiziksel optik sensörler (CMOS/CCD), foton parçacıklarını yakalarken kuantum gürültüsüne ve ısıl dalgalanmalara maruz kalır. Bu durum istatistiksel olarak Poisson-Gauss dağılımına uyar. Düzgün yüzeylerde gerçek kamera gürültüsü doğal ve izotropik bir karaktere sahiptir.
• Yapay Zeka Difüzyon Modelleri: Stable Diffusion ve Midjourney gibi sistemler, görselleri rastgele bir Gauss gürültüsünden adım adım gürültü arındırarak (Reverse Denoising) oluşturur. Bu matematiksel süreç mikroskobik uzamsal otokorelasyonlar bırakır: pürüzsüz alanlar doğallıktan uzak derecede steril görünürken, dokulu alanlarda sıra dışı frekans yığılmaları oluşur.

Algoritmanın Adımları

1. Görsel OffscreenCanvas üzerine orijinal boyutunda çizilir.
2. getImageData fonksiyonuyla gri tonlama parlaklık matrisi Y(x, y) elde edilir.
3. 3x3 boyutunda ayrık bir Laplace konvolüsyon filtresi uygulanarak yüksek frekanslı kalıntı gürültü R(x, y) ayrıştırılır:

   ┌             ┐
   │  0  -1   0  │
   │ -1   4  -1  │
   │  0  -1   0  │
   └             ┘
   

4. Keskin kenarlar elenerek düz alanlardaki kalıntı varyans σ² hesaplanır:

   σ² = (1/N) · Σ (Rᵢ − R̄)²
   

5. Elde edilen değerler gerçek kamera sensörlerinin referans veri tabanıyla karşılaştırılır.

Bu matematiksel süreç doğrudan tarayıcınızda JavaScript ile yürütüldüğünden, görsel başına yalnızca 50–150 milisaniye sürer ve sıfır ağ gecikmesiyle tamamlanır.

Katman 3: Bulut Tabanlı Derin Görme Modeli (İsteğe Bağlı)

Meta veriler silinmişse ve gürültü değerleri belirsiz bir sınır aralığına düşüyorsa, kullanıcı buluttaki derin öğrenme modelinden destek alabilir:

• Milyonlarca gerçek ve yapay görsel çifti üzerinde sıkıştırma direncine göre eğitilmiş Vision Transformer mimarisi.
• Dış URL analizlerinde (/api/ai-image-detector/fetch-url) SSRF koruması ve 10 MB boyut sınırı gibi gelişmiş güvenlik önlemleri.

4. Teknik Sınırlar ve Kullanım Önerileri

Dünyadaki hiçbir yapay zeka tespit aracı %100 kusursuz değildir. Teşhisleri değerlendirirken şu unsurları göz önünde bulundurun:

1. Sosyal Medya Platformlarının Meta Verileri Silmesi

WhatsApp, Instagram, Twitter/X gibi platformlar yüklenen tüm fotoğrafları yeniden sıkıştırır ve bütün EXIF, IPTC ve C2PA meta verilerini zorunlu olarak temizler. Sosyal medyadan indirilen bir görselde Katman 1 ipuçları bulunamaz.

2. Ağır Düzenleme ve Fazla Sıkıştırma

Bulanıklaştırma filtreleri uygulamak, yapay film greni eklemek veya düşük kaliteli JPEG sıkıştırması yapmak (kalite < 60) piksel yapısını bozar ve doğruluk payını düşürebilir.

3. Dijital Çizimler ve 3D Modelleme

Dijital illüstrasyonlar, vektörel çizimler ve 3D renderlar (Blender, Unreal Engine), optik kamera gürültüsü barındırmaz. İstatistiksel analiz araçları bu pürüzsüzlüğü yapay bir iz olarak algılayabilir. Görselin türünü daima göz önünde bulundurun.

4. Kapalı Gizli Filigranlar (SynthID vb.)

Yapay zeka modellerinin gizli uzayına doğrudan gömülen görünmez filigranlar (Google DeepMind'ın SynthID teknolojisi gibi) özel anahtarlar gerektirir ve standart bir tarayıcıda çevrimdışı çözülemez.

💡 Tavsiye: Tespit sonuçlarını kararlarınızı destekleyen nesnel bir kanıt olarak kullanın. Önemli konularda teknik verileri görselin yayınlandığı bağlam ve fiziksel mantıkla (el anatomisi, ışık yönü, yansımalar) birlikte değerlendirin.

5. Hemen Test Edin

Kendi görselinizi analiz etmek ister misiniz?

1. Ücretsiz AI Görüntü Dedektörü sayfasına gidin.
2. Görseli sürükleyin, panodan yapıştırın veya bağlantı adresini girin.
3. Olasılık puanını ve güven düzeyini inceleyin; tespit edilen teknik detaylara ulaşmak için kanıt panelini genişletin.