Inteligência artificial consegue identificar imagens falsas analisando detalhes invisíveis ao olho humano

Tecnologia identifica imagens artificiais com até 95,6% de precisão. (Imagem: Fala Ciência)

Uma fotografia pode parecer perfeitamente real, apresentar iluminação convincente e até reproduzir detalhes minuciosos de rostos, objetos e paisagens. Entretanto, mesmo quando enganam os olhos humanos, as imagens produzidas por inteligência artificial (IA) podem carregar padrões digitais que denunciam sua origem.

Essa possibilidade está no centro de uma nova pesquisa publicada em 18 de novembro de 2026 na revista científica Scientific Reports. O estudo apresenta um método capaz de identificar imagens sintéticas por meio de características matemáticas que não são facilmente percebidas durante a observação comum.

A tecnologia utiliza uma rede neural chamada ResNet-34, combinada com uma técnica de análise de frequências. Nos testes, o sistema alcançou resultados expressivos, chegando a 95,6% de precisão no conjunto de teste interno.

A descoberta ganha importância diante da popularização de ferramentas como Stable Diffusion, Midjourney e DALL-E, que permitem produzir imagens cada vez mais realistas. Em um ambiente digital no qual fotografias falsas podem circular sem identificação adequada, desenvolver mecanismos de detecção tornou-se um desafio tecnológico importante.

O segredo está nas frequências que formam uma imagem

Para entender a novidade, é necessário conhecer uma característica pouco evidente das fotografias: além das cores e dos objetos representados, toda imagem possui uma estrutura matemática formada por diferentes frequências espaciais.

Essas frequências representam variações de intensidade e detalhes em diferentes escalas. Enquanto algumas correspondem a mudanças amplas de iluminação e cores, outras estão relacionadas a pequenas texturas, contornos e padrões muito finos.

O método desenvolvido pelos pesquisadores utiliza a Transformada Rápida de Fourier (FFT) para converter a imagem em uma representação matemática chamada espectro de magnitude de Fourier.

Em vez de analisar diretamente aquilo que aparece na fotografia, o sistema examina como os padrões visuais estão distribuídos nesse espectro.

Essa abordagem permite procurar irregularidades que podem surgir durante o processo de geração artificial. Mesmo quando uma imagem parece natural, sua organização matemática pode apresentar características diferentes daquelas encontradas em fotografias reais.

ResNet-34 aprende a reconhecer padrões de imagens artificiais

Como a IA ResNet-34 é treinada para detectar imagens falsas. (Imagem: Fala Ciência).

O detector utiliza a arquitetura ResNet-34, um modelo de rede neural profunda desenvolvido para reconhecer padrões em imagens.

Para treiná-lo, os pesquisadores utilizaram 53.988 imagens, distribuídas de maneira equilibrada entre as classes analisadas e provenientes de diferentes fontes de geração artificial, incluindo modelos de difusão e redes adversariais generativas (GANs).

Um dos diferenciais da pesquisa foi a inclusão de uma estratégia chamada Aumento Estocástico Avançado (ASA).

Durante o treinamento, as imagens foram submetidas a alterações que simulam situações comuns no ambiente digital, como:

  • Compressão JPEG, que pode reduzir a qualidade de uma fotografia.
  • Redimensionamento, que modifica suas dimensões.
  • Desfoque, que diminui a nitidez dos detalhes.
  • Ruído digital, que altera discretamente os pixels.
  • Simulação de processos de processamento de imagem utilizados em celulares.

Isso é importante porque uma imagem artificial pode ser modificada antes de ser publicada em uma rede social ou compartilhada em aplicativos. Um detector que funciona apenas com arquivos originais pode perder eficiência quando encontra fotografias comprimidas ou editadas.

Testes mostram resultados acima de outros métodos avaliados

Os pesquisadores avaliaram o sistema utilizando o conjunto de referência SPAI, que reúne imagens provenientes de 13 geradores diferentes.

Em 30 execuções independentes de treinamento, o modelo ResNet-34 com FFT e ASA apresentou uma AUC média de 92,4%. Essa métrica avalia a capacidade de um classificador de distinguir corretamente as categorias analisadas.

Para comparação, os métodos SPAI, RINE e DMID registraram médias de 91,0%, 85,5% e 83,5%, respectivamente.

Na melhor execução individual, o novo sistema chegou a 95,7% de AUC. Já no conjunto de teste interno, a precisão atingiu 95,6%.

Outro resultado relevante foi a manutenção do desempenho mesmo diante de alterações nas imagens. Em condições de compressão JPEG com qualidade 50, por exemplo, a AUC permaneceu em pelo menos 91%.

Isso indica que a ferramenta não depende exclusivamente de imagens em condições ideais para reconhecer possíveis sinais de geração artificial.

Tecnologia ainda precisa enfrentar imagens cada vez mais sofisticadas

Apesar dos resultados, o detector não deve ser interpretado como uma solução definitiva contra imagens falsas. A capacidade de identificar conteúdo artificial depende dos geradores utilizados, das características das imagens e das alterações realizadas depois que elas são produzidas.

Além disso, 95,6% de precisão não significa que qualquer fotografia falsa será identificada com essa taxa em situações reais. O resultado foi obtido em um conjunto de teste específico, enquanto a avaliação externa utilizou a métrica AUC, que mede a capacidade de separação entre categorias.

Ainda assim, a pesquisa apresenta um caminho interessante para aprimorar ferramentas de verificação de conteúdo digital.

O desenvolvimento desse tipo de tecnologia pode contribuir para combater a circulação de imagens manipuladas, especialmente em situações nas quais fotografias são utilizadas como supostas provas de acontecimentos reais.

Para o público, a principal lição é que uma imagem visualmente convincente não representa necessariamente um registro autêntico. Por isso, verificar a origem de fotografias, procurar fontes confiáveis e desconfiar de conteúdos sem contexto continuam sendo atitudes importantes.

O estudo publicado na Scientific Reports mostra que a inteligência artificial também pode ser utilizada para identificar os próprios conteúdos produzidos por sistemas artificiais.

Leandro Sinis é biólogo formado pela UFRJ e divulgador científico. Com sólida experiência em pesquisa acadêmica de ponta, é coautor de um estudo internacional sobre neuroproteção publicado no renomado Journal of Biological Chemistry (DOI: 10.1074/jbc.m117.807180). Como editor e fundador do Portal Fala Ciência, sua missão é combater a desinformação, traduzindo descobertas complexas em conhecimento jornalístico acessível, transparente e seguro para todos. Ver perfil no LinkedIn | Ver Currículo Lattes