Welche KI hat dieses Bild erzeugt? DNA verspricht 89 Prozent Trefferquote
Die neue DNA-Forschungsmethode will KI-Bilder ohne eingebettetes Wasserzeichen bis zum Ursprungsmodell zurückverfolgen. So ordnen Teams die 89,11 Prozent richtig ein.
Kurzantwort: DNA ist eine neue Forschungsmethode, die ein verdächtiges KI-Bild ohne zuvor eingebettetes Wasserzeichen zunächst einer Modellfamilie und dann einem konkreten Modell zuordnen soll. Die Autoren berichten auf ihrem Testaufbau 89,11 Prozent End-to-End-Genauigkeit. Das ist ein starkes Forschungsergebnis, aber weder ein öffentlich verfügbares Forensikprodukt noch der Beweis, dass sich jedes Bild aus dem Internet mit 89 Prozent Sicherheit zurückverfolgen lässt.
Das Paper DNA: Dual-stage Native Attribution for Generated Image Source Tracing wurde am 15. Juli 2026 eingereicht. Alle Leistungswerte stammen von den Autoren. Die folgende Beweissicherungskarte ist Crescitalys operative Einordnung.
Warum Modellzuordnung schwieriger als KI-Erkennung ist
Die Frage „Ist dieses Bild künstlich erzeugt?“ ist breiter als „Welches Modell und welche Variante haben es erzeugt?“. Innerhalb einer Modellfamilie können mehrere Versionen sehr ähnliche Architektur, Decoder und Bildmerkmale teilen. Gleichzeitig verändern Kompression, Beschnitt, Filter und erneutes Hochladen die sichtbaren Spuren.
Proaktive Herkunftsmethoden betten Wasserzeichen oder andere Signale beim Erzeugen ein. Das kann sehr nützlich sein, setzt aber Mitwirkung des Anbieters voraus. Die DNA-Forschung untersucht eine passive Alternative: vorhandene Eigenschaften des Generators auslesen, ohne das Modell vorher zu verändern oder ein zusätzliches neuronales Netz für die Zuordnung zu trainieren.
DNA arbeitet grob und fein in zwei Stufen
In der ersten Stufe nutzt das Verfahren Autoencoder Double-Reconstruction, kurz AEDR. Die Idee: Merkmale auf VAE-Ebene tragen Informationen, die mehrere Varianten einer Familie teilen. Damit wird eine offene Vorauswahl getroffen, die auch unbekannte Quellen berücksichtigen soll.
In der zweiten Stufe kommt Native Prediction Consistency, NPC, zum Einsatz. Das Verfahren vergleicht native Vorhersagefehler ähnlicher Modellvarianten über mehrere Rauschstufen unter semantischer Konditionierung. Normalisierte, kalibrierte Werte entscheiden anschließend über die wahrscheinlichste Quelle innerhalb der ausgewählten Familie. Die Trennung ist sinnvoll: Familienähnlichkeit und Variantenunterschied werden nicht in einen einzigen undurchsichtigen Klassifikationsschritt gepresst.
Für eine Redaktion ist diese Architektur auch deshalb interessant, weil sie ein abgestuftes Ergebnis ermöglicht. Statt sofort ein einzelnes Modell zu behaupten, kann ein System zunächst eine Familie nennen, eine Variante nur bei ausreichender Trennschärfe auswählen und sonst „unbekannt“ zurückgeben. Diese Zurückhaltung ist operativ wertvoller als eine scheinbar präzise Antwort ohne kalibrierte Unsicherheit. Voraussetzung ist, dass Schwellenwerte, Kandidatenliste und Fehlertypen für den eigenen Einsatz sichtbar bleiben.
Was die 89,11 Prozent tatsächlich abdecken
Für die Evaluation bauten die Forschenden DNA-30K auf. Der Benchmark enthält 30.000 Bilder von 24 Kandidatenmodellen aus sechs Familien, darunter Denoising-Diffusion und Flow Matching. Zusätzlich wurden Bilder anderer Generatoren und natürliche Bilder als unbekannte Quellen aufgenommen.
Auf dieser Aufgabe meldet das Paper 89,11 Prozent End-to-End-Zuordnungsgenauigkeit, während zufälliges Raten unter einem Prozent läge. Gegenüber der stärksten genannten Baseline berichten die Autoren einen Vorsprung von 33,81 Prozentpunkten, selbst wenn AEDR dort als grobe Stufe verwendet wird. Diese Werte gelten für den beschriebenen Benchmark. Neue Modellfamilien, starke Nachbearbeitung oder Plattformkompression können eine neue Validierung erfordern.
Ein weiterer Unterschied betrifft die Richtung der Aussage. Ein hoher Zuordnungswert im Benchmark bedeutet, dass die Methode bekannte Testfälle häufig richtig klassifiziert. Er beweist nicht automatisch, dass ein konkretes Social-Media-Bild unverändert aus genau diesem Modell stammt. Screenshots, mehrfache Plattformtranskodierung, generatives Nachbearbeiten oder eine Kette aus mehreren Modellen können die Spuren verändern. Darum sollte jedes Ergebnis neben einer Negativkontrolle, Vergleichsdateien und einer „nicht entscheidbar“-Option stehen.
Nutzen Sie diese Karte zur forensischen Annahme
Bevor ein Team irgendeinen Detektor startet, muss es die Datei so sichern, dass das Ergebnis später nachvollziehbar bleibt:
| Feld | Was dokumentiert wird | Warum es zählt |
|---|---|---|
| Originalquelle | URL, Account, Zeitpunkt und Erfassungsweg | Trennt Ursprung von späteren Kopien |
| Dateiidentität | Hash, Format, Größe und Metadaten | Belegt, welche Datei geprüft wurde |
| Bearbeitung | Beschnitt, Filter, Kompression und Re-Upload | Erklärt mögliche Signalverluste |
| Werkzeug | Methode, Version, Kandidatenmodelle und Schwelle | Macht das Ergebnis reproduzierbar |
| Ergebnis | Rangfolge, Konfidenz und unbekannte Option | Verhindert falsche Gewissheit |
| Menschliche Prüfung | Kontext, Gegenbelege und Entscheidung | Trennt Messwert von Schlussfolgerung |
Die Karte gehört neben die Originaldatei und nicht in ein nachträglich geschriebenes Kampagnenmemo.
Was Marken und Creator damit anfangen könnten
Eine belastbare Modellzuordnung könnte bei Missbrauchsmeldungen, Rechteklärungen, Lieferantenprüfungen und internen Content-Audits helfen. Eine Agentur könnte prüfen, ob ein Asset aus dem vereinbarten Modell stammt oder ob ein unbekannter Generator im Produktionsweg auftaucht. Plattformen könnten passive Zuordnung mit Content Credentials und sichtbaren Hinweisen kombinieren.
Sie sollte aber nicht allein über Betrug, Urheberschaft oder Sanktionen entscheiden. Ein Modellhinweis sagt nicht, wer den Prompt geschrieben, welches Ausgangsmaterial genutzt oder wer das Bild veröffentlicht hat. Herkunft des Generators und rechtliche Verantwortung sind verschiedene Fragen.
Ein sicherer Test mit eigenen Kampagnenbildern
- Wählen Sie freigegebene Testbilder aus mehreren bekannten Generatoren.
- Bewahren Sie Originale und erstellen Sie getrennte Varianten mit Beschnitt, JPEG-Kompression und Social-Upload.
- Blenden Sie die Quelle für die prüfende Person aus.
- Dokumentieren Sie Treffer, Verwechslungen und Fälle, in denen „unbekannt“ die richtige Antwort wäre.
- Verwenden Sie das Ergebnis erst nach einer Fehlerschwellen- und Rechtsprüfung operativ.
Der Meta-Muse-Check zu Creator-Rechten ergänzt die technische Zuordnung um Einwilligung und Plattformkontrolle. Für einen Provenance- und Social-Risk-Prozess können Teams Crescitalys Services prüfen. Der Crescitaly SMM Panel kann freigegebene Inhalte kontrolliert verteilen; er ist kein Forensikdetektor und ersetzt keine Rechteprüfung.
Häufige Fragen
Kann DNA jedes KI-Bild einem Modell zuordnen?
Nein. Das Paper testet 24 Kandidatenmodelle aus sechs Familien plus unbekannte und natürliche Quellen. Für Modelle und Bearbeitungen außerhalb dieses Aufbaus ist eine eigene Validierung nötig.
Braucht das Bild ein Wasserzeichen?
Nach Darstellung der Autoren nicht. DNA ist als passive Methode konzipiert und nutzt native Spuren der generativen Modelle. Das macht andere Provenance-Signale trotzdem nicht überflüssig.
Sind 89,11 Prozent gerichtsfest?
Eine Benchmark-Genauigkeit ist keine automatische rechtliche Beweiskraft. Beweiskette, Werkzeugvalidierung, Fehlerrate, Kontext, Jurisdiktion und menschliche Prüfung bleiben entscheidend.
Quellen
- DNA: Dual-stage Native Attribution for Generated Image Source Tracing, eingereicht am 15. Juli 2026.
Methodik und Kennzahlen sind Angaben der Paper-Autoren. Die Annahmekarte, Kampagnenanwendung und Risikogrenzen sind Crescitalys operative Interpretation, keine Rechtsberatung.
