itsreal.media combina forense de imágenes clásica, modelos Vision Transformer, verificación de procedencia C2PA, análisis de metadatos y razonamiento semántico en un único pipeline de decisión fusionado.
Ninguna señal individual determina el veredicto. Un metamodelo entrenado aprende cómo ponderar cada capa en función del rendimiento en entornos reales, y se actualiza a medida que evolucionan los modelos generativos.
Explicabilidad: Cada señal se puntúa individualmente y está disponible vía API para razonamiento posterior.
En toda la suite de pruebas bajo condiciones controladas
Condiciones reales: imágenes comprimidas, redimensionadas y vueltas a subir
Evaluación del SPRIND Challenge, noviembre de 2025
Ganador del Deepfake Detection Challenge. Bundesagentur für Sprunginnovation
El rendimiento depende del origen de la imagen, las transformaciones de la plataforma y los umbrales de decisión.
Cada imagen se procesa a través de todas las capas de detección simultáneamente. Los resultados son fusionados por un metamodelo que aprende las correlaciones entre señales.
Varios modelos Vision Transformer especializados fusionados en un metamodelo para la detección de imágenes generadas y editadas por IA.
Decenas de señales forenses de bajo nivel: análisis espectral, espacial, estadístico y de compresión.
Coherencia de objetos, consistencia de iluminación, plausibilidad anatómica y razonamiento visual.
Integridad EXIF, artefactos de codificación, huellas de software y verificación de C2PA Content Credentials.
Conjunto multimodelo de precisión ultraalta. Fusionamos varios modelos de detección especializados y decenas de señales forenses en un metamodelo, ofreciendo una detección de vanguardia validada por benchmarks independientes.
Detecta imágenes completamente generadas o editadas por IA con precisión ultraalta. Fusionamos varios modelos de detección especializados y decenas de señales forenses en un metamodelo, un conjunto multicapa validado como el sistema de mejor rendimiento en el SPRIND Deepfake Detection Challenge.
Bundesagentur für Sprunginnovation, evaluación independiente en condiciones reales.
Detecta regiones modificadas por IA dentro de imágenes que son auténticas en su mayor parte: inpainting, outpainting, eliminación de objetos, intercambio de rostros y relleno generativo. Genera un mapa de calor a nivel de píxel que muestra la probabilidad de manipulación por región.
La región central muestra alta probabilidad de manipulación. Consistente con inpainting generativo.
Verificamos las credenciales de contenido integradas en las imágenes mediante el estándar C2PA (Coalition for Content Provenance and Authenticity). Nuestro sistema valida la cadena de credenciales completa, desde el origen en la cámara o el software hasta el archivo final publicado.
Las credenciales C2PA son manifiestos firmados criptográficamente que viajan con la imagen y registran cada paso de edición y exportación. Cuando están presentes, ofrecen la señal de procedencia más sólida posible.
Valida la cadena de confianza completa desde el origen hasta el estado actual
Verifica el certificado de firma y la organización emisora
Lee las acciones de edición declaradas registradas en el manifiesto
Detecta si las credenciales sobrevivieron a la recodificación de la plataforma
Examina los metadatos técnicos integrados en cada archivo de imagen en busca de indicios de origen sintético o manipulación en postproducción.
Utiliza razonamiento visual para detectar inconsistencias lógicas que delatan contenido generado o manipulado por IA.
Busca en la web y en bases de datos internas para rastrear una imagen hasta su fuente original e identificar reutilizaciones coordinadas.
Ninguna capa de detección por sí sola es suficientemente fiable. Cada señal tiene puntos ciegos: el análisis de frecuencia omite ciertos modelos de difusión, los metadatos pueden eliminarse, y las verificaciones semánticas dependen de la complejidad de la escena.
Nuestro metamodelo es un clasificador entrenado que toma las salidas brutas de cada capa de detección como características de entrada. Aprende las correlaciones entre señales, compensa las debilidades individuales y produce una única puntuación de confianza calibrada.
Los pesos de fusión se reentrenan continuamente a medida que aparecen nuevos modelos generativos. Cuando un nuevo generador cambia el panorama de señales, el metamodelo se adapta sin requerir cambios en ninguna capa de detección individual.
API-first. Modular.
Endpoints HTTPS sencillos. Suba una imagen y reciba una respuesta JSON estructurada con veredicto, confianza y desglose de señales por capa. Se integra en minutos.
Implemente nuestro motor de detección como contenedor Docker dentro de su propia infraestructura. Control total sobre la residencia de datos, la latencia y el escalado. Compatible con redes aisladas.
Implementación completamente en local con soporte dedicado, entrenamiento de modelos personalizado y garantías de SLA. Diseñado para organizaciones con requisitos de cumplimiento estrictos.
Solicite acceso a la API o una demo en vivo. Le guiaremos por el pipeline con sus propias imágenes.