Самый опасный спутниковый дипфейк может быть вовсе не полностью сфабрикованным ландшафтом. Это может быть почти подлинное изображение, в котором один небольшой, но важный элемент добавлен, удалён или перемещён: самолёт на взлётно-посадочной полосе, новое здание, повреждённый мост или транспортное средство у границы.

Именно эту проблему решает новый прототип бенчмарка от исследователей из Окриджской национальной лаборатории. Их препринт, опубликованный 5 августа 2026 года, представляет датасет, предназначенный не только для классификации спутниковых снимков как подлинных или сфальсифицированных, но и для идентификации точных пикселей, которые были изменены.

Время появления этой работы примечательно — и Geoawesome уже документировала, как быстро эта проблема вышла на первый план. 30 июля мы представили функцию «Nano Banana» в Google Earth в материале «Nano Banana Lands in Google Earth and It's Totally #Geoawesome», сосредоточившись на её потенциале для планировочных концепций, исторических реконструкций и креативной работы с местами. В течение суток Google откатил функцию после того, как пользователи создали правдоподобные сцены атак, катастроф и чувствительных инфраструктурных объектов, как мы объяснили в материале «Google Shuts Down Nano Banana in Google Earth After Misuse Concerns». Этот недолгий эксперимент показал, как быстро синтетический контент может заимствовать визуальный авторитет устоявшейся геопространственной платформы. Работа Окриджской лаборатории решает более узкую техническую задачу, но такую, которая, вероятно, станет критически важной: как судебно-экспертные системы должны оценивать реалистичные изменения, встроенные в подлинные данные дистанционного зондирования?

Большинство систем обнаружения дипфейков построены как бинарное решение. Модель получает изображение и выдаёт вероятность того, что оно реальное или синтетическое. Это может быть полезно для полностью сгенерированных картинок, но совершенно недостаточно, когда изменена лишь часть изображения.

Для геопространственного аналитика местоположение манипуляции часто важнее, чем маркировка на уровне всего изображения. Подозрительный объект, занимающий всего несколько десятков пикселей, может изменить оценку ситуации, даже если более 99% изображения остаются подлинными. Поэтому система локализации должна создавать маску, показывающую изменённую область, давая человеку-аналитику нечто интерпретируемое для проверки.

Датасет Окриджской лаборатории, названный fmow-fake-small, содержит 60 изображений: 30 подлинных и 30 сфальсифицированных. Каждый сфальсифицированный пример имеет попиксельную эталонную маску (ground-truth). Датасет также сохраняет геопривязку и метаданные о съёмке, что позволяет исследователям проверять, зависит ли эффективность судебно-экспертного анализа от сенсора, размера пикселя или условий получения снимка.

Такое сочетание встречается редко. Крупные датасеты спутниковых дипфейков уже существуют, включая RSFAKE-1M, содержащий один миллион реальных и один миллион синтетических примеров. Однако исследователи из Окриджа утверждают, что существующие коллекции зачастую не имеют масок, пригодных для локализации, используют полностью сгенерированные изображения вместо локализованных изменений, либо содержат видимые артефакты, делающие обнаружение неправдоподобно лёгким.

Исходные снимки взяты из датасета Functional Map of the World (fMoW) — коллекции из более чем одного миллиона изображений, собранных примерно в 200 странах спутниками WorldView-2, WorldView-3, GeoEye-1 и QuickBird-2. Исследователи использовали восьмибитные паншарпенные RGB-изображения и преобразовали их в геопривязанные GeoTIFF с использованием сопроводительных метаданных.

Затем они создали по десять примеров для каждого из трёх типов манипуляций.

Первый тип — простая вставка (splice): прямоугольный фрагмент из одного изображения вставляется в другое. Бенчмарк включает вставки размером от 16×16 до 256×256 пикселей. Важно, что фрагмент ресемплируется с учётом физических размеров на местности и разрешения пикселя целевого изображения. Это уменьшает несоответствия масштаба, которые могут выдать наивную операцию «вырезать-и-вставить».

Второй тип — вставка объекта (object splice): исследователи использовали модель Segment Anything от Meta для выделения объектов или элементов земного покрова, а затем вручную отредактировали маски и разместили объекты в правдоподобных местах. Целевые объекты включают транспортные средства, бассейны, здания, взлётно-посадочные полосы, вертолётные площадки, теннисные корты, а также участки растительности или голой земли.

Третий тип — инпейнтинг с помощью диффузионной модели. Команда использовала RSPaint— модель Stable Diffusion, дообученную на снимках дистанционного зондирования. Эталонный объект или поверхность — например, самолёт, здание, грунтовая дорога, сельскохозяйственное поле или зелёная зона — вставляется в определённую пользователем область базового изображения.

Здесь географический масштаб становится судебно-экспертной проблемой. Генеративная модель может создать визуально убедительный самолёт, который физически слишком велик по отношению к взлётной полосе. Исследователи решают эту проблему, согласовывая реальные размеры эталонных объектов и целевых масок. Они также обрезают рабочее изображение так, чтобы маскированная область занимала от 15% до 30% входных данных модели — диапазон, обеспечивающий более надёжный инпейнтинг.

Эти детали делают примеры более сложными, чем типичные тесты на AI-изображения. Подделки в дистанционном зондировании должны учитывать не только визуальную текстуру, но и пространственное разрешение на местности, размеры объектов и пространственные взаимосвязи между ними.

Название датасета честно указывает на его ограниченность: он маленький (small). Тридцать сфальсифицированных изображений недостаточно для обучения надёжного детектора, и авторы прямо рекомендуют использовать коллекцию для оценки, а не для обучения.

Его разнообразие также ограничено. Лишь одна категория манипуляций использует генеративную модель, и все примеры с диффузией получены из одного рабочего процесса RSPaint. Размещение объектов и определение масок требуют значительной ручной работы. Это улучшает визуальное качество, но делает процесс создания трудно масштабируемым.

В работе также не представлен всеобъемлющий лидерборд, показывающий, как работают современные судебно-экспертные модели. Она описывает метод создания датасета и выпускает прототип бенчмарка. Утверждения о том, что он «решает» проблему обнаружения спутниковых дипфейков, были бы преждевременными.

И всё же его ограничения раскрывают важную реальность: создание небольшого числа достоверных, пространственно согласованных спутниковых подделок может быть более ценным для стресс-тестирования, чем генерация миллионов заведомо искусственных изображений. Детектор, который хорошо работает на низкокачественных подделках, может просто выучивать артефакты сжатия, искажённую геометрию или специфические сигнатуры модели. Такие «обходные пути» часто перестают работать при смене генератора изображений.

Более серьёзный тест — сможет ли система идентифицировать небольшое, семантически правдоподобное изменение, не полагаясь на очевидный визуальный дефект.

Даже гораздо более крупная версия fmow-fake-small не была бы достаточной сама по себе. Модели обнаружения сталкиваются с антагонистической и постоянно меняющейся проблемой: появляются новые генераторы, совершенствуются методы редактирования, а распространённые судебные следы исчезают при обрезке, пересжатии или создании скриншотов.

Поэтому геопространственная верификация будет требовать нескольких взаимодополняющих уровней:

Наиболее устойчивый рабочий процесс будет сочетать эти методы, а не предполагать, что один-единственный AI-детектор может служить универсальным арбитром истины.

Это особенно важно, потому что спутниковые снимки занимают необычное положение. Они одновременно являются техническим набором данных и убедительным визуальным артефактом. Правительства, журналисты, страховщики, экологические мониторинговые организации и суды используют их как доказательство событий, которые могут быть недоступны для наземной проверки. Небольшое изменение может иметь последствия, далеко выходящие за пределы затронутых пикселей.

Бенчмарк Окриджской лаборатории является предварительным, но он ставит правильный вопрос. В эпоху синтетической географии простой проверки изображения недостаточно. Аналитикам также необходимо точно знать, где в реальность могли быть внесены правки.