AI学会伪造卫星图像 地图服务遭遇“Deepfake Geography”问题
这个简化的插图显示了如何通过将基础地图（城市A）放入深度伪造的卫星图像模型中来生成模拟卫星图像（右）。这个模型是通过区分第二座城市（城市B）的一组基础地图和卫星图像对而产生的。
正如Zhao和他的合著者所指出的，自古以来，伪造地点和其他不准确的情况一直是地图制作的一部分。这在一定程度上是由于将现实生活中的地点转化为地图形式的本质，因为没有地图可以准确地捕捉到一个地方的真实情况。但是，地图中的一些不准确之处，是地图绘制者的恶作剧。甚至有为防止侵犯版权而在地图上谨慎地放置假的城市、山脉、河流或其他特征。而放轻松一些，20世纪70年代密歇根州交通部的一份官方公路地图曾包括了虚构的城市 "Beatosu和 "Goblu"，这是 "Beat OSU"和 "Go Blue"的谐音，因为当时的部门负责人想在保护地图版权的同时为他的母校叫好。
但研究人员说，随着地理信息系统、谷歌地球和其他卫星成像系统的盛行，位置欺骗涉及的复杂程度要高得多，并伴随着更多风险。2019年，负责为美国国防部提供地图和分析卫星图像的组织--国家地理空间情报局的局长暗示，人工智能操纵的卫星图像可能是一个严重的国家安全威胁。
为了研究卫星图像如何被伪造，赵和他的团队转向了一个人工智能框架，该框架已被用于操纵其他类型的数字文件。当应用于测绘领域时，该算法基本上学习了来自城市地区的卫星图像的特征，然后通过将学习到的卫星图像特征反馈到不同的基础地图上，生成一个深度伪造的图像--类似于流行的图像过滤器可以将人脸的特征映射到猫身上。
接下来，研究人员将来自三个城市--塔科马、西雅图和北京的地图和卫星图像结合起来，比较特征并创建一个城市的新图像，这些图像来自其他两个城市的特征。他们将塔科马指定为 "基础地图"城市，然后探索如何将西雅图（在地形和土地使用方面相似）和北京（两者都不同）的地理特征和城市结构结合起来，以产生塔科马的深度伪造图像。
在下面的例子中，塔科马的一个社区在地图软件（左上）和卫星图像（右上）中显示。同一个社区的后续深假卫星图像反映了西雅图和北京的视觉模式。低层建筑和绿色植物标志着左下角塔科马的 "西雅图化 "版本，而北京的高层建筑，AI与塔科马图像中的建筑结构相匹配，投射出阴影--因此底部图像中的建筑呈现出黑暗的外观。
研究人员指出，未经训练的眼睛可能难以发现真假之间的差异。一个不经意的观众可能会把颜色和阴影仅仅归结为图像质量差。为了尝试识别 "假货"，研究人员将目光投向了图像处理的更多技术方面，如颜色直方图以及频率和空间域。
赵说，一些模拟的卫星图像可以起到一定的作用，特别是在代表一段时间内的地理区域时，例如，了解城市扩张或气候变化。可能有一个地方在过去的某段时间内没有图像，或者在预测未来的时候，所以在现有图像的基础上创建新的图像--并明确指出它们是模拟的--可以填补空白并帮助提供观点。
赵说，这项研究的目的不是为了表明地理空间数据可以被伪造。相反，作者希望了解如何检测假图像，以便地理学家可以开始开发数据扫盲工具，类似于今天的事实核查服务，为公众服务。
