Cách phát hiện ảnh bị AI chỉnh sửa cục bộ: Generative Fill và vùng ảnh bị tô lại

Để phát hiện ảnh bị AI chỉnh sửa cục bộ, hãy khoanh vùng có thể đã bị thay đổi rồi điều tra đúng vùng đó. Hãy dùng phép phân tích được thiết kế cho chỉnh sửa cục bộ, kiểm tra xem bản đồ hoặc điểm số thực sự biểu thị điều gì, rồi đối chiếu phát hiện với lịch sử nguồn gốc của ảnh hoặc các bằng chứng tham chiếu sẵn có. Phân loại toàn ảnh và phân tích chỉnh sửa cục bộ trả lời hai câu hỏi khác nhau: một bức ảnh thật vẫn có thể giữ phần lớn khung cảnh do máy ảnh ghi lại, trong khi một chi tiết quan trọng đã bị tạo thêm hoặc bị xóa.

Trong thông cáo ngày 23 tháng 5 năm 2023 giới thiệu Generative Fill, Adobe mô tả khả năng thêm, mở rộng và xóa nội dung trong ảnh; đó chính là loại thay đổi mà việc xem xét chỉnh sửa cục bộ có thể phải điều tra. Những chỉnh sửa này có thể làm thay đổi một chi tiết mang tính quyết định mà vẫn giữ nguyên phần khung cảnh xung quanh. Thông cáo của Adobe, tháng 5 năm 2023 (tiếng Anh)

Trên thực tế, quy trình gồm bốn bước: chọn nhiệm vụ → đọc phát hiện cục bộ → đối chiếu bằng chứng liên quan → xử lý phần còn chưa giải quyết. Một kết quả định vị hữu ích cho bạn biết nên điều tra ở đâu. Chỉ bằng chứng về cách vùng đó được tạo ra mới đủ làm căn cứ cho kết luận cụ thể hơn rằng ảnh đã bị AI chỉnh sửa.

Xác định câu hỏi trước khi chọn công cụ phát hiện

Hãy bắt đầu từ sự việc mà bức ảnh được dùng để chứng minh, chẳng hạn: “Thiết bị gia dụng bị trả lại có vết nứt ở tấm ốp phía dưới”. Đánh dấu vùng liên quan và nêu rõ bạn cần biết điều gì về vùng đó: vết nứt có nhìn thấy không, phần ảnh đó có bị thay đổi không, hay thay đổi đó có liên quan đến AI tạo sinh không.

Hãy xác định những thay đổi nào ảnh hưởng đến quyết định. Xóa một người qua đường ở phía sau có thể chấp nhận được trong ảnh quảng cáo sản phẩm; thay nhãn nhận dạng thì có thể khiến hồ sơ mất giá trị. Hãy điều tra thay đổi ảnh hưởng đến yêu cầu của khách hàng.

Ba nhiệm vụ kỹ thuật đặc biệt dễ bị nhầm lẫn:

Công cụ phát hiện có thể kết hợp nhiều nhiệm vụ trong số này, nhưng cách đánh giá công cụ phải chứng minh được từng năng lực mà công cụ tuyên bố. Một công cụ được huấn luyện để phân biệt cảnh hoàn toàn do AI tạo ra với ảnh chụp bằng máy ảnh không mặc nhiên được kiểm chứng cho việc tô lại vùng ảnh (inpainting). Một công cụ phát hiện chỉnh sửa tổng quát có thể tìm ra các chỉnh sửa thông thường mà không phân biệt được chúng với thay đổi do AI tạo sinh. NIST xem nội dung tổng hợp một phần (partially synthetic) là yếu tố làm phức tạp việc phát hiện, đồng thời thảo luận việc xác định nguồn như một nhiệm vụ đòi hỏi nhiều thông tin hơn so với phát hiện cơ bản. NIST AI 100-4, mục 3.2 (tiếng Anh)

Hình dưới đây tóm tắt ba câu hỏi và loại bằng chứng mà mỗi câu hỏi cần.

Kiểm tra bản đồ định vị thực sự có nghĩa gì

Trước khi diễn giải một lớp màu phủ lên ảnh, hãy tìm định nghĩa của kết quả đầu ra. Đó là điểm chỉnh sửa, điểm bất thường, ước lượng mức độ tin cậy, hay hình ảnh trực quan hóa vùng mô hình chú ý? Giá trị cao hơn có nghĩa là đáng ngờ hơn không? Có áp dụng ngưỡng nào không? Các giá trị có so sánh được giữa các ảnh không, hay phần hiển thị tự co giãn lại thang màu cho từng bản đồ?

Hãy đọc chú giải trước khi đọc màu. Một mảng màu rực có thể chỉ biểu thị giá trị lớn nhất trong lần hiển thị đó chứ không phải một mức cảnh báo cố định. Điểm 0,8 ở cấp toàn ảnh không có nghĩa là 80% điểm ảnh đã bị chỉnh sửa. Trước khi coi nó là xác suất 80% đáng tin cậy cho điều kiện mà công cụ nhắm tới, hãy kiểm tra định nghĩa và việc hiệu chỉnh (calibration) của nó trên dữ liệu đầu vào tương đương.

Một công cụ định vị có thể báo cáo ba điều khác nhau: vùng nào phản ứng bất thường, phản ứng đó đáng tin đến đâu, và quyết định cho toàn bộ ảnh. Phản ứng mạnh ở vùng không hề bị chỉnh sửa là cảnh báo nhầm, và chính ước lượng mức độ tin cậy cũng có thể sai, nhất là sau khi nén hoặc đổi kích thước. Với người mua giải pháp, sự khác biệt này quan trọng: hãy hỏi cách công cụ tách vùng đáng ngờ khỏi mức độ tin cậy vào phát hiện đó.

Hãy dùng danh sách kiểm tra sau trước khi mang một bản đồ vào cuộc họp ra quyết định:

Mặt nạ đã áp ngưỡng là một vùng ước tính, không phải vùng chọn chỉnh sửa được khôi phục lại. Đường biên của nó có thể vượt ra ngoài chi tiết, bỏ sót một phần chi tiết, hoặc phản ánh độ phân giải không gian của mô hình. Đừng tính “phần trăm ảnh bị chỉnh sửa” từ mặt nạ đó trừ khi định nghĩa và kết quả kiểm chứng của công cụ cho phép cách diễn giải ấy. Khi công cụ chưa hỗ trợ định vị chính xác, hãy mô tả mức chồng lấn bằng lời.

Biến phát hiện thành hành động tiếp theo

Giá trị của một bản đồ nằm ở những gì nó giúp bạn điều tra. Hãy bắt đầu từ chi tiết quan trọng, kiểm tra xem phát hiện có chồng lên nó không, rồi chọn bằng chứng có thể giải quyết đúng mối lo đó.

Xác minh hình ảnh của Fileverity kết hợp các kiểm tra về ảnh do AI tạo ra, chỉnh sửa và nguồn gốc. Với nhiệm vụ này, hãy tập trung vào phát hiện cục bộ: phân tích ảnh đánh dấu bằng tọa độ điểm ảnh những vùng nghi vấn mà bằng chứng hỗ trợ, phân biệt vùng được tạo lại với ảnh do AI tạo ra toàn bộ và nêu mức độ mạnh của bằng chứng, để người xét duyệt ghi lại những gì đã tìm thấy mà không biến một điểm số thành lời buộc tội.

Vì sao một chỉnh sửa nhỏ có thể biến mất trong bản tóm tắt toàn ảnh

Fileverity phân tích việc tạo ra toàn bộ ảnh và chỉnh sửa cục bộ như hai câu hỏi riêng. Một lý do kỹ thuật là tính thưa về không gian (spatial sparsity): bằng chứng của một chỉnh sửa cục bộ có thể chỉ chiếm một phần rất nhỏ của ảnh. Rút gọn một bản đồ không gian thành một con số có thể làm mất thông tin về cả độ mạnh lẫn vị trí của bằng chứng đó.

Hãy xét một bản đồ giả định rất đơn giản gồm 10.000 ô bằng nhau. Giả sử 100 ô có điểm chỉnh sửa 0,90 và 9.900 ô còn lại có điểm 0,10. Nếu tóm tắt bằng trung bình thông thường, kết quả là:

Điểm trung bình = (100 × 0,90 + 9.900 × 0,10) / 10.000 = 0,108.

Tổng quát hơn, nếu một phần diện tích f có điểm a và phần còn lại có điểm b, giá trị trung bình là b + f(a − b). Mức đóng góp của vùng cục bộ giảm đi theo tỷ lệ với diện tích của nó. Ở đây, vùng điểm cao chỉ làm trung bình thay đổi 0,008, dù các giá trị của nó cao hơn hẳn nền. Phép trung bình đơn giản này chỉ minh họa vấn đề gộp điểm; nó không mô tả phương pháp tính điểm của Fileverity.

Nếu lấy giá trị lớn nhất, kết quả là 0,90. Cách này giữ lại được giá trị cực đại nhưng tạo ra một vấn đề khác: một phản ứng sai đơn lẻ có thể quyết định toàn bộ bản tóm tắt. Vị trí và cách sắp xếp trong không gian bổ sung thông tin mà cả hai con số đều không có. Một cụm gọn cạnh vết nứt đang tranh chấp và một trăm ô rải rác có thể có cùng giá trị trung bình và giá trị lớn nhất. Chúng đặt ra những việc kiểm tra khác nhau, dù không kiểu phân bố nào tự nó chứng minh có chỉnh sửa. Hình dưới đây minh họa hai bản đồ như vậy.

Bài học kỹ thuật là giữ lại đủ thông tin không gian để diễn giải một phát hiện cấp toàn ảnh, và cân nhắc mức độ tin cậy của một phản ứng cục bộ cùng với độ mạnh của nó.

Một bộ phân loại ảnh do AI tạo ra toàn bộ không nhất thiết lấy trung bình một bản đồ chỉnh sửa: nó có thể ước lượng một mục tiêu khác dựa trên những bằng chứng đã học khác. Vì vậy, một tín hiệu “ảnh do AI tạo ra toàn bộ” thấp không thể thay thế cho câu hỏi cục bộ còn bỏ ngỏ. Với một thiết bị bị khai là hỏng, hãy giữ vị trí của phát hiện gắn với vết nứt đang xét, rồi yêu cầu bằng chứng về chi tiết đó trên đúng món hàng. Khi chạy thí điểm (pilot), hãy thay đổi cả kích thước chỉnh sửa lẫn chất lượng tệp khi gửi: một bộ benchmark (bài kiểm tra chuẩn) chỉ gồm các cảnh do AI tạo ra toàn bộ không cho biết liệu những chỉnh sửa nhỏ nhưng quan trọng có còn xem xét được hay không.

Giữ tệp và lịch sử của nó gắn liền với nhau

Phần so sánh dưới đây bắt đầu từ một bức ảnh căn bếp thật chụp năm 2019 của Eli Christman. Fileverity đã dùng AI thêm một vết nứt hư cấu vào cối máy xay sinh tố trong một bản phái sinh. Các ảnh cắt cùng vị trí giúp dễ so sánh chỗ hỏng được thêm vào với thành cối gốc.

Khung cảnh xung quanh vẫn trông hợp lý. Tuy nhiên, khi xem xét một yêu cầu trả hàng, vết nứt được thêm vào có thể quyết định kết quả, khiến thành cối trở thành ưu tiên cho phân tích cục bộ và cho các bằng chứng bổ sung.

Hãy giữ nguyên tệp nhận được và gán cho nó một mã tham chiếu ổn định. Ghi lại kích thước, kênh tiếp nhận và các bước xử lý đã biết. Xác định vùng cần xem xét (region of interest, ROI) bằng tọa độ và mô tả ngắn, nêu rõ tọa độ tính theo tệp đã lưu hay theo ảnh đã chỉnh hướng. Liên kết các ảnh cắt và kết quả đầu ra với tệp đã nhận. Khung xem xét chỉ cho biết bạn đang nhìn vào đâu; nó không phải mặt nạ chỉnh sửa.

Nếu bạn nhận được ảnh chụp màn hình, hãy yêu cầu gửi ảnh gốc dưới dạng tệp đính kèm. Ảnh gửi qua ứng dụng nhắn tin như Zalo hay Messenger thường đã bị nén lại; hướng dẫn về ảnh chụp màn hình và ảnh bị nén giải thích việc đó làm thay đổi điều gì. Hãy xem cả khung cảnh chứ không chỉ vùng cần xem xét: phản chiếu, bóng đổ và đồ vật xung quanh có thể giải thích một đường biên hoặc gắn món hàng với bối cảnh của nó.

Content Credentials có thể bổ sung thông tin có chữ ký về việc tạo hoặc chỉnh sửa; chính thông cáo nói trên của Adobe cho biết Generative Fill hỗ trợ Content Credentials. Hãy ghi lại kết quả kiểm tra tính hợp lệ, thông tin bên ký, các hành động liên quan và mối quan hệ với tệp nhận được. Xác định xem một hành động liên quan đến vùng đang tranh chấp hay đến một phần không xác định của ảnh. Bản giải thích của C2PA mô tả các khẳng định có khả năng phát hiện can thiệp này và giới hạn của chúng: lịch sử có thể không đầy đủ, và chúng không chứng minh sự kiện được mô tả là có thật. Bản giải thích C2PA, mục 2 và 7.2 (tiếng Anh) Để phân biệt Content Credentials, watermark AI và công cụ phát hiện, xem hướng dẫn về C2PA, watermark AI và công cụ phát hiện ảnh.

Metadata (siêu dữ liệu) thông thường của tệp cho biết một số manh mối về phần mềm và ngày tháng. Hãy dùng những manh mối đó để đặt câu hỏi về lịch sử xử lý, đồng thời giữ mọi kết luận về vùng đang tranh chấp dựa trên bằng chứng sẵn có. Bạn có thể đọc dữ liệu EXIF bằng công cụ xem EXIF ảnh miễn phí.

Dấu hiệu và nhãn AI theo pháp luật Việt Nam: manh mối cần ghi lại, chưa phải kết luận

Tình trạng văn bản được tra cứu ngày 4 tháng 11 năm 2026. Đây là thông tin về bối cảnh pháp lý, không phải tư vấn pháp lý.

Luật Trí tuệ nhân tạo số 134/2025/QH15 có hiệu lực từ ngày 1 tháng 3 năm 2026. Theo khoản 2 Điều 11, nhà cung cấp phải bảo đảm nội dung âm thanh, hình ảnh, video do hệ thống AI tạo ra được đánh dấu ở định dạng máy đọc. Nghị định 142/2026/NĐ-CP, có hiệu lực từ ngày 1 tháng 5 năm 2026, quy định chi tiết tại Điều 17: dấu hiệu nhận biết có thể được tích hợp vào cấu trúc tệp hoặc dữ liệu nội dung, vào siêu dữ liệu của tệp, thể hiện bằng chữ ký số, chữ ký điện tử hoặc phương thức xác thực kỹ thuật tương đương, hay bằng một giải pháp kỹ thuật khác, và phải cho biết nội dung được tạo ra hoặc chỉnh sửa bằng hệ thống AI. Bên triển khai có thêm hai nghĩa vụ: thông báo rõ ràng khi cung cấp ra công cộng nội dung do AI tạo ra hoặc chỉnh sửa có khả năng gây nhầm lẫn về tính xác thực (khoản 3 Điều 11 của Luật và Điều 18 của Nghị định), và gắn nhãn dễ nhận biết cho âm thanh, hình ảnh, video mô phỏng ngoại hình, giọng nói của người thật hoặc tái hiện sự kiện thực tế (khoản 4 Điều 11 của Luật). Văn bản gốc: Luật số 134/2025/QH15 và Nghị định số 142/2026/NĐ-CP trên Công báo.

Với người xét duyệt, các quy định này bổ sung một loại manh mối để ghi lại, không phải căn cứ để kết luận:

Có ba lý do để không coi việc thiếu dấu hiệu là bằng chứng ảnh nguyên bản. Thứ nhất, khoản 4 Điều 17 của Nghị định chỉ yêu cầu nhà cung cấp duy trì chức năng đánh dấu trong quá trình tạo, xuất và cung cấp nội dung “trong phạm vi các chức năng do hệ thống kiểm soát”, nên không có gì bảo đảm dấu hiệu còn nguyên sau khi tệp rời khỏi hệ thống. Thứ hai, theo khoản 1 Điều 35 của Luật, các hệ thống đã đưa vào hoạt động trước ngày 1 tháng 3 năm 2026 có 12 tháng kể từ ngày Luật có hiệu lực để thực hiện nghĩa vụ (18 tháng với hệ thống trong lĩnh vực y tế, giáo dục và tài chính). Thứ ba, nghĩa vụ thông báo gắn với việc cung cấp nội dung ra công cộng (khoản 3 Điều 11 của Luật), còn khoản 4 Điều 18 của Nghị định miễn nghĩa vụ gắn nhãn hiển thị đối với nội dung chỉ được chỉnh sửa kỹ thuật để cải thiện chất lượng mà không làm thay đổi bản chất hoặc ngữ cảnh chính, và đối với nội dung dùng nội bộ, không cung cấp ra công cộng. Vì vậy, một tấm ảnh gửi riêng cho cửa hàng hay công ty bảo hiểm có thể không mang nhãn dù đã bị chỉnh sửa.

Chúng tôi chưa tìm thấy số liệu công khai đáng tin cậy về mức độ phổ biến của ảnh hoàn tiền hoặc ảnh bồi thường bị AI chỉnh sửa cục bộ tại Việt Nam, nên hướng dẫn này không đưa ra con số nào. Hãy coi đây là một rủi ro cần quy trình xem xét rõ ràng, không phải một mức độ đã được đo lường.

Tính đến việc đổi kích thước, nén và các bản sao dùng để phân tích

Một ảnh được gửi lên có thể đã bị đổi kích thước, nén, cắt hoặc chụp lại từ màn hình trước khi được xem xét. Hãy ghi lại các điều kiện đã biết và kiểm tra xem công cụ có được đánh giá trên dữ liệu đầu vào tương đương hay không. Tránh áp kết quả của lần đánh giá trên tệp sạch cho một tệp đã bị biến đổi nhiều nếu chưa có bằng chứng rằng phép so sánh đó phù hợp.

Cắt ảnh có thể giúp người xem kiểm tra chi tiết đang tranh chấp dễ hơn, nhưng nó cũng làm thay đổi đầu vào của công cụ phát hiện và làm mất ngữ cảnh. Nếu công cụ hỗ trợ phân tích ảnh đã cắt, hãy giữ riêng kết quả của ảnh nguyên khung và của ảnh cắt, kèm tọa độ cắt. Điểm số thay đổi giữa hai kết quả không tự nó chứng minh phần cắt có chỉnh sửa.

Tương tự, bản phóng to hoặc làm nét có thể hỗ trợ thảo luận, nhưng đó là bản phái sinh. Hãy ghi nhãn rõ đó là bản phái sinh và giữ nguyên tệp nguồn. Không dùng AI tạo sinh để tái dựng chi tiết được cho là bằng chứng: một cạnh hay ký tự do AI suy ra không thể chứng minh điều mà các điểm ảnh nhận được đã ghi lại ban đầu. Khi một chi tiết không đọc được, “không đọc được trong tệp được cung cấp” thường là quan sát hữu ích nhất.

Giai đoạn này nên kết thúc bằng một trong hai kết luận rõ ràng: tệp hiện có phù hợp cho phân tích đã nêu, hoặc vẫn còn một hạn chế đáng kể. Đừng lặng lẽ biến kết luận thứ hai thành “không tìm thấy chỉnh sửa”.

Ví dụ minh họa: vết nứt trên tấm ốp thiết bị gia dụng

Xét một yêu cầu trả hàng giả định. Ảnh khách hàng gửi có kích thước 4.000 × 3.000 điểm ảnh. Một khung 400 × 300 điểm ảnh bao quanh vết nứt được khai và phần bề mặt tấm ốp lân cận. Diện tích khung là 120.000 trên 12.000.000 điểm ảnh, tức 1% ảnh.

Khung xem xét chỉ chiếm 1% ảnh, nhưng vết nứt có thể quyết định việc trả hàng. Đó là lý do phân tích cục bộ quan trọng: câu hỏi nghiệp vụ nằm ở chi tiết này, bất kể phần còn lại của bức ảnh còn nguyên vẹn đến đâu. Diện tích của khung chỉ là số đo hình học, không phải số đo điểm ảnh bị chỉnh sửa hay độ nhạy của công cụ phát hiện. Hình dưới đây minh họa phép tính này.

Giả sử một công cụ phát hiện chỉnh sửa tổng quát làm nổi bật một phần tấm ốp gần vết nứt, trong khi bộ phân loại cấp toàn ảnh không gắn cờ bức ảnh. Các kết quả giả định này trả lời những nhiệm vụ khác nhau. Hãy giữ cả hai, cùng định nghĩa của chúng; tín hiệu cục bộ cho người xét duyệt biết phần cụ thể nào của hồ sơ cần điều tra.

Vùng được làm nổi bật chồng lên một phần khung liên quan nhưng không bám theo toàn bộ vết nứt. Hãy ghi nhận khả năng có chỉnh sửa cục bộ và yêu cầu bằng chứng về tấm ốp đó. Kết quả của công cụ tổng quát chưa giải quyết được việc AI có tham gia hay không; một hiện tượng nhiễu (artifact) do quá trình xử lý ảnh hoặc một cách giải thích gắn với chính khung cảnh được chụp vẫn có thể là nguyên nhân.

Với báo cáo đầy đủ của Fileverity, bước này cụ thể hơn: báo cáo đánh dấu bằng tọa độ điểm ảnh những vùng nghi vấn mà bằng chứng hỗ trợ, phân biệt ảnh thật có vùng được tạo lại với ảnh do AI tạo ra toàn bộ, trình bày riêng nguồn gốc và bằng chứng điểm ảnh, và ghi lại giá trị băm SHA-256 cùng trạng thái xác thực dấu thời gian của tệp. Người phụ trách xử lý trả hàng có thể thấy vùng được đánh dấu là vết nứt hay một phần khác của tấm ốp.

Hãy yêu cầu thêm một ảnh chụp từ góc khác của chính tấm ốp đó qua quy trình trả hàng đã thiết lập, với đủ phần món hàng để gắn nó với giao dịch: “Vui lòng chụp tấm ốp phía dưới cùng tem nhãn nhận dạng trong một khung hình, rồi chụp thêm một ảnh cận cảnh vết nứt.” Nếu có thể kiểm tra trực tiếp, hãy yêu cầu việc kiểm tra đó tập trung trực tiếp vào chi tiết này. Cách này nhắm vào vấn đề chưa giải quyết thay vì xin thêm các bản sao của cùng một bức ảnh.

Nếu kiểm tra xác nhận hư hỏng, điều đó có thể hỗ trợ yêu cầu của khách ngay cả khi lịch sử chỉnh sửa của tệp đầu tiên vẫn chưa rõ. Nếu ảnh chụp mới có vẻ không nhất quán, trước hết hãy kiểm tra xem nó có cho thấy cùng món hàng, cùng vùng và đúng thời điểm liên quan không: tình trạng có thể đã thay đổi. Sự không khớp cần được đối chiếu; chỉ riêng nó không chứng minh ý định lừa dối.

Với hồ sơ bồi thường bảo hiểm, Luật Kinh doanh bảo hiểm số 08/2022/QH15 cấm giả mạo tài liệu và cố ý làm sai lệch thông tin trong hồ sơ yêu cầu bồi thường, trả tiền bảo hiểm (điểm b khoản 4 Điều 9; văn bản gốc trên Công báo). Một tín hiệu kỹ thuật chưa phải kết luận về hành vi đó: hãy dùng nó để quyết định cần bổ sung bằng chứng nào, như trong hướng dẫn về trục lợi bảo hiểm và thẩm định ảnh bồi thường. Với yêu cầu hoàn tiền trên sàn thương mại điện tử, xem gian lận hoàn tiền bằng ảnh chỉnh sửa AI.

Lập hồ sơ xem xét để người khác có thể sử dụng

Hãy điền từng mục bằng thông tin vụ việc và ghi “chưa rõ” khi phù hợp. Giữ riêng mục quan sát và mục diễn giải giúp giảm nguy cơ một tín hiệu tạm thời bị biến thành một cáo buộc được coi là sự thật khi bàn giao.

Với ví dụ giả định, cách ghi nhận có cơ sở vững là: “Một kết quả phân tích chỉnh sửa chồng lên một phần vùng tấm ốp. Kết quả này không chứng minh việc dùng AI tạo sinh. Tệp được cung cấp và kết quả đầu ra không cho biết vết nứt được khai có xuất hiện trên món hàng hay không. Đề nghị cung cấp ảnh chụp riêng hoặc kết quả kiểm tra gắn với đúng món hàng đó.”

Hãy chọn hành động tiếp theo tùy theo điều còn thiếu. Yêu cầu tệp tốt hơn khi có vấn đề về chất lượng đầu vào, yêu cầu giải thích khi nguồn gốc không nhất quán, hoặc bằng chứng vật lý khi một khẳng định về tình trạng thực tế chưa được giải quyết. Chuyển cho chuyên gia để phân tích kỹ thuật chuyên sâu khi phân tích đó có thể thay đổi quyết định. Khi đóng hồ sơ, hãy nêu câu hỏi nào đã được giải quyết và câu hỏi nào về lịch sử tệp vẫn còn bỏ ngỏ.

Đánh giá nhiệm vụ chỉnh sửa cục bộ mà bạn cần

Hãy đưa ảnh qua xác minh hình ảnh của Fileverity và xác định chi tiết đang tranh chấp trước khi diễn giải kết quả. Phân tích tìm các vùng nghi vấn. Khi bằng chứng đủ để đưa ra phát hiện, báo cáo giải thích loại thay đổi, vị trí và mức độ mạnh của bằng chứng.

Nếu bạn có quy trình xem xét định kỳ, hãy liên hệ bộ phận kinh doanh: cho chúng tôi biết những thay đổi cục bộ bạn cần xem xét, kích thước ảnh và kênh gửi ảnh thường gặp, cùng hành động mà một phát hiện theo vùng cần kích hoạt, và chúng tôi sẽ cùng đội ngũ của bạn xem qua các trường hợp thực tế. Hãy coi việc phát hiện có thay đổi, định vị thay đổi và xác định AI có tham gia là ba yêu cầu riêng. Fileverity phân tích tệp trên máy chủ do Entogo vận hành tại Toronto, Canada và xóa tệp khi phân tích hoàn tất. Trang Tin cậy và bảo mật trình bày cách xử lý dữ liệu, bao gồm triển khai riêng cho khách hàng Enterprise theo yêu cầu.

Để so sánh chỉnh sửa thông thường và chỉnh sửa tạo sinh với các phiên bản trước, xem cách kiểm tra ảnh có bị chỉnh sửa. Để xem xét liệu cả bức ảnh có do AI tạo ra hay không, xem cách nhận biết ảnh do AI tạo ra.

Câu hỏi thường gặp

Công cụ phát hiện AI có nhận ra Generative Fill không?

Chỉ khi nhiệm vụ mà công cụ hỗ trợ và cách nó được đánh giá bao quát các chỉnh sửa cục bộ và điều kiện đầu vào liên quan. Nhãn chung chung “công cụ phát hiện ảnh AI” chưa đủ để chứng minh năng lực đó.

Vùng không được đánh dấu có phải là nguyên bản không?

Không. Nó chỉ có nghĩa là phân tích cụ thể đó không làm nổi bật vùng này trong các điều kiện đã dùng. Kết quả đó có giá trị như bằng chứng loại trừ hay không còn tùy vào độ nhạy đã được kiểm chứng của công cụ trên các trường hợp tương đương.

Bản đồ có chỉ ra người chỉnh sửa hay câu lệnh (prompt) không?

Một bản đồ định vị thông thường thì không. Việc xác định nguồn cần bằng chứng hỗ trợ cụ thể. Đừng suy ra tài khoản chỉnh sửa, câu lệnh hay ý đồ từ hình dạng của một vùng được làm nổi bật.

Ảnh bị AI chỉnh sửa có bắt buộc phải có nhãn theo luật Việt Nam không?

Chỉ trong một số trường hợp và với những chủ thể nhất định. Luật Trí tuệ nhân tạo số 134/2025/QH15 (Điều 11) và Nghị định 142/2026/NĐ-CP (Điều 17 và 18) đặt nghĩa vụ đánh dấu ở định dạng máy đọc lên nhà cung cấp hệ thống AI, còn nghĩa vụ thông báo hoặc gắn nhãn hiển thị thuộc về bên triển khai trong những trường hợp nêu tại các điều đó. Các nghĩa vụ này không bảo đảm điều gì về bức ảnh bạn nhận được: dấu hiệu có thể mất khi tệp bị lưu lại hoặc nén, và công cụ chỉnh sửa có thể nằm ngoài phạm vi áp dụng hoặc còn trong thời gian chuyển tiếp. Vì vậy, đừng coi ảnh không có nhãn là ảnh nguyên bản.

Tác giả Yang Zheng