Technologie
Technologie-ÜbersichtImage Trust LayerDocument Trust LayerAudio Trust LayerInformation Trust LayerSource VerificationProdukte
Fraud ScannerSafeCamSafeMicGardioBranchen
VersicherungBanking & KYCBehördenMedien & PresseHR & SpesenVerteidigungRessourcen
BlogCase StudiesAPI-DokumentationPreisePressebereichUnternehmen
Über unsJobsKontaktDer Image Trust Layer ist VAARHAFTs proprietäre Deep-Learning-Architektur, die Deepfakes, KI-generierte Bilder und Bildmanipulation erkennt. Trainiert auf echten Real-World-Daten, nicht auf akademischen Laborbenchmarks.
Jedes Modul übernimmt eine spezifische Bildanalyse-Aufgabe. Proprietäre Neural Networks für KI-Erkennung, deterministische Algorithmen für Matching und tiefgehende Metadaten-Extraktion. Alles über einen einzigen Endpoint.
Erkennt vollständig KI-generierte Bilder und Deepfakes: GANs, Diffusion Models, Neural Renderer. Eigenständiges, proprietäres Neural Network.
Erkennt nachträgliche Manipulationen an echten Fotos: Deepfake-Face-Swaps, Inpainting, Splicing. Eigenständiges, proprietäres Neural Network.
Perspektiven-invariantes Matching beyond SHA256. 100% deterministisch, keine Neural Network Embeddings.
Pixel-genaue Attributionskarten, die exakt visualisieren, welche Bildbereiche die Erkennung ausgelöst haben. Volle Transparenz für menschliche Überprüfung.
Extrahiert und referenziert EXIF-, XMP- und C2PA-Metadaten, um Provenienz, Geräteherkunft und Bearbeitungshistorie zu verifizieren.
Keine Off-the-Shelf Foundation Models. Unsere gesamte Detection Pipeline ist von Grund auf mit hierarchischen Spatial Architectures gebaut, trainiert ausschließlich auf proprietären forensischen Datensätzen.
Context-Aware Anomaly Detection
Erkennt Anomalien im räumlichen Kontext nicht nur isolierte Pixel-Artefakte.
Intrinsic Explainability
Die Erklärbarkeit ist fester mathematischer Bestandteil der Backpropagation nicht nachträglich erzeugt wie bei GradCAM oder ELA. Der Beweis ist Teil der Klassifikation.
Deterministisch, kein LLM
100% reproduzierbare Ergebnisse. Kein stochastisches LLM, kein Prompt-Engineering, keine Halluzinationen.
Adversarial Hardening
Gehärtet gegen FGSM und PGD Adversarial Perturbations sowie Real-Life Data Laundering (WhatsApp, Telegram, Screenshots).
Eine hochoptimierte, mehrstufige Feature-Extraction-Pipeline, trainiert auf manipulations-spezifische Artefakte, selbst nach starker Messenger-Kompression. Intrinsische Erklärbarkeit als mathematisches Nebenprodukt kein Post-hoc XAI.
Akademische Benchmarks testen auf sauberen, hochauflösenden Originalbildern. Betrüger nutzen diese fast nie. Die Benchmarks vom Großteil aller Bildforensik-Anbieter sind für die Tonne.
Unser Modell wurde nicht im Labor, sondern auf echten Real World Data trainiert und getestet. Wir evaluieren unsere Metriken explizit auf "gewaschenen" Daten (Data Laundering).
82% Precision @ 1% Prevalence: Selbst wenn 99 von 100 Bildern echt sind, liegt unser Modell zu 82% richtig, wenn es ein Bild als 'Fake' flaggt.
Unsere Performance gilt auch wenn ein KI-Bild:
FP-Catcher Module
Die reine Bildanalyse reicht für die Produktion nicht aus. Spezialisierte False-Positive Catcher Module sind an reale Produktionsbedingungen angepasst. Beispiel: Logos werden im ersten Schritt automatisch erkannt und herausgefiltert, da sie sonst zu Dubletten oder Falschtreffern in der Internet-Rückwärtssuche führen.
Unterschiedliche Use Cases erfordern unterschiedliche Trade-offs. Automatisierte Ablehnung braucht maximale Precision. Screening mit Human-in-the-Loop maximiert Recall.
Wählen Sie den Modus, der zu Ihrem Risk-Appetite passt oder lassen Sie uns Ihr Modell individuell kalibrieren.
Balanced: Ausgewogenes Verhältnis zwischen Precision und Recall. Standard-Konfiguration für die meisten Enterprise-Kunden.
Unsere Out-of-the-Box Metriken sind branchenführend, aber jedes Unternehmen hat eigene Datenverteilungen. Wir bieten eine tiefe System-Kalibrierung an, um das Modell exakt auf die Anforderungen unserer Enterprise-Kunden einzustellen.
Durch fortgeschrittene Probability Calibration und Modellfinetuning stellen wir sicher, dass ein Confidence-Score von 90% auch wirklich einer 90%igen Wahrscheinlichkeit für einen Fake entspricht optimal für die nahtlose Integration in bestehende Risk-Engines.
Unser Modell wurde nicht im akademischen Labor trainiert. Über 10 Millionen in-house kuratierte Datenpunkte händisch bearbeitet von Bildbearbeitungsexperten simulieren extreme Real-World-Bedingungen inklusive massiver Messenger-Kompression und gezielter Bild-Degradation.
Die meisten Open-Source-Detektoren und akademischen Modelle werden auf sauberen, hochauflösenden Originalen aus öffentlichen Datensätzen wie DFFD oder FaceForensics++ trainiert. Diese Benchmarks spiegeln nicht die Produktionsrealität wider: echte Betrugsbilder kommen komprimiert, gescreenshottet, beschnitten und durch mehrere Messenger geteilt an. Unsere proprietären Trainingsdaten bilden genau diese Bedingungen ab. Deshalb hält unsere Erkennungsgenauigkeit dort, wo akademische Modelle einbrechen.
Zero-Day GenAI Defense
Wenn neue KI-Modelle oder Versionen davon veröffentlicht werden, integrieren wir deren Signaturen innerhalb von Tagen nicht Wochen.
GPU-Cluster (NVIDIA Tensor Core) skalieren dynamisch. 10 Requests nachts oder 5.000 RPM bei einer Kampagne die Latenz bleibt stabil.
Spezialisierte Sub-Models voten unabhängig auf Generation- und Manipulation-Probability, kombiniert via kalibriertes Ensemble.
Dedicated Endpoints kein Serverless Cold-Start Penalty. Inference optimized via TensorRT (INT8 Quantization).
Durchschnittliche End-to-End-Latenz inklusive Ensemble-Voting, Heatmap-Generierung und JSON-Response.
Zero-Retention API: Wir speichern keine Bilder. Der RAM wird direkt nach der Inference geleert. Privacy by Design.
Unterstützt alle gängigen Bildformate nativ: JPEG, PNG, TIFF, HEIC, WebP. Keine Konvertierung, kein Pre-Processing nötig.
Direkter Upload bis 10 MB für Einzelbilder und kompakte PDFs. Für große Payloads und Batch-Pipelines asynchrones S3-Offloading bis 80 MB mit Webhook-Benachrichtigung bei Abschluss.
Über 10 Millionen in-house kuratierte Datenpunkte, die extreme Real-World-Bedingungen simulieren inklusive massiver Messenger-Kompression und gezielter Bild-Degradation. Robustheit dort, wo herkömmliche SOTA-Modelle einbrechen.
Wenn neue Architekturen wie Midjourney v7 oder Sora veröffentlicht werden, integrieren wir deren Signaturen innerhalb von Tagen. Radikale Agilität im Katz-und-Maus-Spiel der KI-Generatoren.
Entwickelt und gehostet in Deutschland. Zero-Retention API: Der RAM wird direkt nach der Inference geleert, keine Kundendaten gespeichert. Vollständig audit-fähig, EU AI Act konform, kein Drittanbieter-Datenabfluss.
Unsere Architektur generiert Erklärbarkeit nicht im Nachhinein, sondern als zwingendes mathematisches Nebenprodukt. Granulare JSON-Daten und spatial Heatmaps beweisen pixelgenau, warum ein Bild geflaggt wurde.
Von Grund auf für Skalierung gebaut. Asynchrone Webhooks, deterministische Verarbeitung ohne LLM-Overhead und nahtloses S3-Payload-Offloading für Gigabyte-schwere Dokumenten-Pipelines.
Spezialisierte Module für reale Produktionsbedingungen. Logo-Erkennung, Duplikat-Filterung und adaptive Threshold-Anpassung reduzieren False Positives auf ein Minimum.
Der Image Trust Layer ist der Core Detection Engine des VAARHAFT Fraud Scanners verfügbar als fully managed API. Keine Infrastruktur, kein Model Maintenance. Einmal integrieren, dauerhaft profitieren.
{
"suspicion_level": "Green",
"Files": {
"photo_01.jpg": { … },
"photo_02.jpg": { … }
},
"caseNumber": "Case 123A",
"sessionId": "5a8d8fd2-3317-4964-8298-caa96cd5cfa3",
"modelVersions": {
"imagesModelVersion": "vh-mo-images-alpha",
"documentsModelVersion": "vh-mo-docs-alpha"
},
"tokensConsumed": 12,
"attachments": {
"heatmaps": [ … ],
"analysis_report": [ … ]
}
}
Open-Source-Tools wie FaceForensics++-Detektoren oder DIRE werden auf akademischen Datensätzen mit sauberen, hochauflösenden Originalen trainiert. Sie performen gut unter Laborbedingungen, brechen aber ein, wenn Bilder komprimiert, gescreenshottet oder über Messenger geteilt werden. Unsere Modelle werden ausschließlich auf proprietären Real-World-Daten trainiert, inklusive gewaschener, degradierter und adversarial manipulierter Bilder, und liefern produktionsreife Genauigkeit, wo akademische Modelle scheitern.
Wir erkennen Bilder aller großen GenAI-Modelle, einschließlich (aber nicht beschränkt auf) Stable Diffusion, Dall-E / ChatGPT, Flux, Nano Banana.
Wir setzen spezialisierte FP-Catcher-Module ein, die an reale Produktionsbedingungen angepasst sind. Zum Beispiel werden Logos und Wasserzeichen im ersten Schritt automatisch erkannt und gefiltert, da sie sonst False Hits auslösen würden. Zusätzlich können Enterprise-Kunden individuelles Threshold Tuning und Probability Calibration für ihre spezifischen Datenverteilungen konfigurieren.
Unsere Modelle sind gehärtet gegen bekannte Adversarial-Perturbation-Techniken wie FGSM und PGD sowie gegen Real-World Data-Laundering-Strategien wie mehrfache Messenger-Kompression, Screenshots und Print-Scan-Zyklen. Wir testen kontinuierlich gegen neue Evasion-Techniken und aktualisieren unsere Defenses entsprechend.
Keine. Der Image Trust Layer nutzt eine Zero-Retention-Architektur: Bilder werden im GPU-RAM verarbeitet und sofort nach der Inferenz gelöscht. Keine Kundenbilder werden gespeichert, protokolliert oder aufbewahrt. Die API ist vollständig stateless, EU AI Act konform und in Deutschland gehostet.
Die durchschnittliche End-to-End-Latenz liegt unter 5 Sekunden inklusive Ensemble Voting, Heatmap-Generierung und JSON-Response. Unsere GPU-Cluster skalieren dynamisch, von 10 Anfragen nachts bis 5.000 RPM während Kampagnen, ohne Cold-Start-Penalty dank dedizierter TensorRT-optimierter Endpoints.
Jedes VAARHAFT-Produkt baut auf derselben proprietären Technologiebasis auf: fünf spezialisierte Trust Layer für Bilder, Dokumente, Audio, kontextuelle Informationen und Capture-Time-Quellenverifikation. Gemeinsam bilden sie die technologische Basis der VAARHAFT Trust Suite.
Erkennt Deepfakes, KI-generierte Bilder und Bildmanipulation.
Buchen Sie eine Demo und sehen Sie, wie unsere Erkennung auf Ihrer realen Pipeline performt. Wir zeigen Ihnen Integration, Schwellenwert-Konfiguration und Deployment-Optionen.
