Erkennung von Bildmanipulationen am Beispiel von Kfz-Schadenbildern
Unsere Vision bei ControlExpert ist, dass Autofahrer weltweit ihren Schaden am selben Tag fair ersetzt bekommen. Ein Schritt dahin ist die automatisierte End-2-End-Schadenabwicklung mittels Bildern.
Wenn diese Bilder alleine, ohne menschliche Interaktion, zu einer Direktauszahlung der Schadensumme führen sollen, muss die Authentizität der Bilder sichergestellt werden.
In dem Vortrag wird ein Deep-Learning-basiertes Verfahren zur Detektion von Bildmanipulationen vorgestellt. Zudem wird gezeigt, wie Kfz-Bilder jenseits von Bildverarbeitungssoftware automatisch durch Generative Adversarial Networks oder Bildgenerierungsmodelle wie DALL-E 2 manipuliert oder sogar komplett erzeugt werden können.
Vorkenntnisse
Spezielle Vorkenntnisse sind nicht erforderlich, Vorkenntnisse im Bereich Machine Learning/ Deep Learning können jedoch von Vorteil sein.
Lernziele
Automatisierte, bildbasierte Prozesse können anfällig für vorsätzliche Manipulation von Bildern sein. Am Beispiel der Betrugsprävention soll den Zuhörern aufgezeigt werden, welche Möglichkeiten es gibt, diese mit Deep-Learning-Verfahren zu erkennen und entsprechende Gegenmaßnahmen zu ergreifen. Die Erkenntnisse können dann auf andere Prozesse übertragen werden.