Immagini, fotografie manipolate e contenuti generati con AI

Introduzione

Una fotografia digitale può essere:

• acquisita direttamente da una fotocamera;
• prodotta da uno smartphone attraverso più sensori;
• sviluppata da un file RAW;
• creata come screenshot;
• estratta da un video;
• incorporata in un PDF;
• scaricata da una piattaforma social;
• inoltrata mediante un’app di messaggistica;
• ricompressa;
• ritagliata;
• sottoposta a filtri;
• composta con elementi provenienti da immagini differenti;
• modificata mediante strumenti tradizionali;
• trasformata localmente con sistemi generativi;
• prodotta integralmente da un modello text-to-image.

Quando un cliente di Roma consegna una fotografia e chiede:

“Questa immagine è autentica?”

la domanda deve essere precisata.

Il termine autentica può indicare che:

1. il file proviene dal dispositivo dichiarato;
2. il file è la prima versione prodotta dal sistema di acquisizione;
3. i pixel non sono stati modificati dopo la cattura;
4. non sono stati rimossi o inseriti oggetti;
5. la data e il luogo dichiarati sono coerenti;
6. l’immagine non è stata generata mediante intelligenza artificiale;
7. la persona rappresentata era effettivamente presente;
8. la scena non è stata preparata;
9. il contenuto non è stato decontestualizzato;
10. la copia acquisita corrisponde a quella originariamente pubblicata.

Questi significati non coincidono.

Una fotografia può provenire realmente da uno smartphone ma essere stata ritagliata.

Un JPEG può essere una ricompressione di una fotografia genuina.

Un file può contenere metadati coerenti ma modificabili.

Una fotografia può essere tecnicamente continua e non composta, ma rappresentare una scena preparata.

Un’immagine generata artificialmente può essere stampata e fotografata, acquisendo nuovi rumori di sensore, aberrazioni ottiche e metadati compatibili con una fotocamera reale.

Una foto autentica può essere pubblicata con una descrizione falsa, una data errata o un luogo differente.

Le buone pratiche SWGDE distinguono l’autenticazione dell’immagine dalla semplice verifica dell’integrità della copia: un hash coincidente dimostra che due file sono identici a livello binario, ma non dimostra la veridicità della scena o l’assenza di modifiche anteriori al calcolo dell’hash. ENFSI raccomanda inoltre di considerare provenienza, ciclo di vita, formato, dispositivo, trasformazioni e analisi sia globali sia locali. (SWGDE — Best Practices for Image Authentication)

Il NIST considera provenienza, watermark, metadati verificabili e rilevamento automatico strumenti complementari: ciascuno copre soltanto una parte del problema e può perdere efficacia dopo ricodifiche, ritagli, screenshot o passaggi attraverso piattaforme. (NIST AI 100-4)

Regola fondamentale: l’autenticità di una fotografia non si determina mediante un singolo metadato, un’analisi ELA o la percentuale restituita da un detector: richiede la convergenza tra provenienza, struttura del file, pixel, dispositivo, metadati, contesto e fonti esterne.

Sintesi operativa

1. acquisire il file più vicino possibile alla fonte;
2. preservare dispositivo, chat, pagina, email e cloud di provenienza;
3. calcolare l’hash prima di aprire o elaborare il file;
4. non modificare il reperto originale;
5. identificare il formato reale senza fidarsi dell’estensione;
6. conservare originale e copie di lavoro separatamente;
7. acquisire metadati EXIF, XMP, IPTC, ICC e MakerNotes;
8. verificare miniature, anteprime e immagini incorporate;
9. documentare il livello generazionale del file;
10. verificare C2PA e altre informazioni di provenienza;
11. distinguere assenza di metadati e assenza di provenienza;
12. identificare ricompressioni, conversioni, crop e resize;
13. esaminare struttura JPEG, PNG, TIFF, HEIF, AVIF e WebP;
14. analizzare l’immagine globalmente e localmente;
15. cercare copy-move, splicing, inpainting e object removal;
16. verificare geometria, prospettiva, luce, ombre e riflessi;
17. analizzare rumore, CFA, demosaicing e possibili tracce PRNU;
18. verificare resampling, doppia compressione e griglie JPEG;
19. usare l’ELA soltanto come tecnica orientativa;
20. confrontare versioni mediante hash e differenze pixel-level;
21. acquisire fotografie di riferimento comparabili;
22. verificare eventuale sviluppo da RAW;
23. distinguere immagine integralmente AI e modifica AI locale;
24. applicare detector automatici soltanto su copie controllate;
25. documentare modello, versione, pesi, soglia e preprocessing;
26. valutare il domain shift introdotto da social e messaggistica;
27. non interpretare lo score come probabilità automatica;
28. verificare falsi positivi e falsi negativi;
29. correlare file, account, dispositivo e timeline;
30. distinguere persona rappresentata e autore della manipolazione;
31. indicare sempre fonti mancanti e ipotesi alternative;
32. formulare conclusioni tecniche proporzionate.

1. Avvertenza preliminare

Le procedure descritte devono essere utilizzate esclusivamente:

• su fotografie proprie;
• su file consegnati dal legittimo titolare;
• su dispositivi e account amministrati lecitamente;
• nell’ambito di un incarico professionale;
• per attività difensive, aziendali o peritali;
• su copie di lavoro;
• con un quesito tecnico definito;
• nel rispetto della protezione dei dati personali.

Non è lecito utilizzare queste procedure per:

• accedere a smartphone o cloud di terzi;
• riutilizzare password, cookie o sessioni sottratte;
• acquisire album personali senza autorizzazione;
• modificare il reperto originario;
• creare falsi documenti;
• produrre immagini intime non consensuali;
• effettuare riconoscimento facciale indiscriminato;
• raccogliere fotografie di riferimento non pertinenti;
• pubblicare immagini private;
• tentare di attribuire una persona mediante strumenti non autorizzati;
• caricare materiale riservato su servizi pubblici senza valutarne le condizioni.

Il materiale può contenere:

• minori;
• persone estranee;
• documenti d’identità;
• targhe;
• indirizzi;
• ambienti privati;
• dati sanitari;
• contenuti intimi;
• segreti aziendali;
• informazioni giudiziarie.

Occorre quindi prevedere:

- accesso limitato;
- cifratura;
- copie oscurate;
- minimizzazione;
- separazione degli allegati;
- durata di conservazione;
- registrazione degli accessi.

2. Inquadramento normativo essenziale

2.1 Riproduzioni fotografiche

L’articolo 2712 del codice civile comprende le riproduzioni fotografiche, informatiche e cinematografiche tra le rappresentazioni meccaniche di fatti e cose. La valutazione dell’efficacia probatoria e dell’eventuale disconoscimento compete al legale e al giudice. (Gazzetta Ufficiale — articolo 2712 c.c.)

Il perito informatico può accertare:

• integrità;
• provenienza;
• formato;
• trasformazioni;
• compatibilità tecnica;
• metadati;
• incongruenze;
• limiti.

Non dovrebbe concludere:

“La fotografia è certamente valida in giudizio.”

“L’immagine dimostra definitivamente il fatto.”

“La persona rappresentata è sicuramente responsabile.”

2.2 Immagini falsificate mediante intelligenza artificiale

La legge 23 settembre 2025, n. 132, ha introdotto l’articolo 612-quater del codice penale, relativo, nei presupposti previsti dalla disposizione, alla diffusione senza consenso di immagini, video o voci falsificati o alterati mediante sistemi di intelligenza artificiale, idonei a ingannare sulla loro genuinità e capaci di cagionare un danno ingiusto. (Gazzetta Ufficiale — legge n. 132/2025)

L’analisi tecnica può documentare:

• natura sintetica o manipolata;
• modalità di diffusione;
• account;
• versioni;
• provenienza;
• compatibilità con una specifica lavorazione.

La qualificazione giuridica resta esterna alla perizia informatica.

2.3 Trasparenza prevista dall’AI Act

Alla data editoriale del capitolo, 14 luglio 2026, gli obblighi di trasparenza dell’articolo 50 dell’AI Act diventeranno applicabili dal 2 agosto 2026.

Il quadro europeo prevede, nei casi applicabili:

• marcature leggibili da macchina;
• informazioni sulla natura generata o manipolata;
• obblighi di disclosure per determinati deepfake;
• regimi specifici per opere artistiche, satiriche o creative.

La Commissione europea ha pubblicato nel giugno 2026 il relativo Codice di buone pratiche, concepito come supporto volontario all’adempimento. (Commissione europea — trasparenza dei contenuti AI)

La presenza o l’assenza di un’etichetta non sostituisce l’analisi forense.

2.4 Volti e dati biometrici

Una normale fotografia contenente un volto non costituisce automaticamente un dato biometrico di categoria particolare.

La qualificazione può cambiare quando l’immagine viene sottoposta a uno specifico trattamento tecnico finalizzato all’identificazione o autenticazione univoca.

In tali casi occorre valutare:

• necessità;
• proporzionalità;
• base giuridica;
• minimizzazione;
• sicurezza;
• conservazione delle immagini e dei template.

L’EDPB raccomanda che i template biometrici contengano soltanto le informazioni necessarie, siano protetti e non vengano conservati oltre il periodo giustificato. (EDPB — Guidelines on processing personal data through video devices)

3. Che cosa significa autenticità fotografica

Una fotografia può essere tecnicamente compatibile con la storia dichiarata quando:

• il formato è coerente col dispositivo;
• i metadati non presentano conflitti rilevanti;
• il file ha una struttura compatibile;
• la catena generazionale è documentata;
• non emergono trasformazioni non dichiarate;
• i pixel non mostrano incongruenze non spiegabili;
• dispositivo, account e contesto risultano coerenti;
• eventuali marcature di provenienza sono valide.

L’autenticità non dovrebbe essere formulata come proprietà assoluta.

È preferibile rispondere a ipotesi concrete:

H1:
il file è una fotografia camera-original prodotta dal dispositivo indicato;

H2:
il file è una versione derivata o modificata successivamente.

oppure:

H1:
la regione contestata appartiene alla scena acquisita;

H2:
la regione è stata inserita o ricostruita successivamente.

4. Integrità, provenienza e verità

4.1 Integrità binaria

L’hash documenta che il file non è cambiato dopo il momento nel quale l’impronta è stata calcolata.

Non documenta ciò che è avvenuto prima.

4.2 Provenienza

La provenienza riguarda:

• dispositivo;
• account;
• software;
• piattaforma;
• autore dichiarato;
• storia delle trasformazioni.

4.3 Autenticità del contenuto

Riguarda la possibile presenza di:

• compositing;
• rimozioni;
• inserimenti;
• generazione;
• sostituzione;
• alterazioni locali.

4.4 Verità della scena

Riguarda la corrispondenza tra immagine e fatto reale.

Una fotografia tecnicamente non modificata può rappresentare:

• una scena preparata;
• una ricostruzione;
• un’inquadratura selettiva;
• un evento fuori contesto;
• un luogo o momento diverso.

La relazione deve mantenere separati questi livelli.

5. Generazioni del file

Una fotografia può attraversare numerosi passaggi:

sensore
→ RAW
→ sviluppo
→ JPEG camera
→ cloud
→ editor
→ social
→ screenshot
→ allegato
→ acquisizione forense

Possibili generazioni:

1. dati grezzi del sensore;
2. file camera-original;
3. anteprima incorporata;
4. sviluppo RAW;
5. copia esportata;
6. versione modificata;
7. versione pubblicata;
8. versione scaricata;
9. screenshot;
10. stampa e nuova fotografia.

La qualità dell’accertamento dipende dalla generazione disponibile.

6. Camera-original

Con camera-original si indica, in senso operativo, il file prodotto direttamente dal sistema di acquisizione prima di interventi esterni dichiarati.

Il file può comunque comprendere elaborazioni automatiche:

• demosaicing;
• HDR;
• fusione di più fotogrammi;
• riduzione del rumore;
• correzione lente;
• sharpening;
• tone mapping;
• riconoscimento scena;
• modalità ritratto;
• elaborazione notturna.

Camera-original non significa:

immagine priva di elaborazione computazionale

Significa piuttosto:

prima rappresentazione disponibile prodotta dal sistema
secondo il workflow dichiarato

7. File derivato

Un file derivato può essere:

• ridimensionato;
• ricompressato;
• convertito;
• ritagliato;
• ruotato;
• filtrato;
• sviluppato da RAW;
• esportato da un’app;
• scaricato da una piattaforma;
• incorporato in un documento;
• acquisito mediante screenshot.

Il fatto che il file sia derivato non lo rende automaticamente falso.

Riduce però la possibilità di esaminare:

• struttura originaria;
• metadati;
• PRNU;
• CFA;
• quantizzazione;
• miniature;
• provenienza.

8. Domande tipiche del cliente

Un cliente di Roma può chiedere:

• la foto è stata modificata?
• l’oggetto era realmente presente?
• una persona è stata inserita?
• il livido è autentico?
• è stato cancellato un elemento?
• la targa è stata sostituita?
• la data EXIF è attendibile?
• la foto proviene da quell’iPhone?
• l’immagine è stata generata con AI?
• è un deep nude?
• il documento fotografato è autentico?
• la posizione GPS è reale?
• l’immagine WhatsApp coincide con l’originale?
• la fotografia è stata ritagliata?
• il file contiene Content Credentials?
• il detector che indica “AI 95%” è affidabile?

Ogni domanda richiede fonti e metodi differenti.

9. Che cosa non deve promettere il perito

Non promettere:

• autenticità assoluta;
• rilevazione di ogni modifica;
• identificazione certa della fotocamera;
• datazione esatta;
• geolocalizzazione certa;
• identificazione automatica dell’autore;
• recupero dell’immagine originaria;
• riconoscimento infallibile dell’AI;
• prova certa della presenza di una persona;
• validità processuale garantita.

Una modifica ben eseguita e successivamente ricompressa può non lasciare indicatori univoci nel file disponibile.

10. Materiale da richiedere

[ ] file più vicino all’originale;
[ ] smartphone o fotocamera;
[ ] memoria SD;
[ ] file RAW;
[ ] JPEG o HEIC associato;
[ ] Live Photo o sequenza;
[ ] versioni precedenti;
[ ] file pubblicato;
[ ] pagina o chat di provenienza;
[ ] email originaria;
[ ] documento contenente l’immagine;
[ ] screenshot del contesto;
[ ] fotografie precedenti e successive;
[ ] cloud o backup;
[ ] Content Credentials;
[ ] descrizione delle aree contestate;
[ ] fotografie di riferimento.

Quando il file proviene da WhatsApp, Telegram o Signal, acquisire anche:

• database;
• record;
• ID messaggio;
• allegato locale;
• timestamp;
• dispositivo;
• backup;
• eventuale versione inviata come documento.

11. Gerarchia orientativa delle fonti

1. file RAW sul dispositivo o supporto sorgente;
2. file camera-original JPEG, HEIC o DNG;
3. file nel cloud originario;
4. allegato nativo conservato nell’app;
5. file inviato come documento;
6. file inoltrato;
7. copia social;
8. immagine incorporata in PDF o Office;
9. screenshot;
10. fotografia di una stampa o di uno schermo.

La gerarchia non è assoluta.

Un file RAW convertito male o non correttamente associato alla scena può essere meno utile di un JPEG camera-original documentato mediante catena di custodia.

12. Questionario di provenienza

1. Chi ha acquisito l’immagine?
2. Con quale dispositivo?
3. Con quale applicazione?
4. In quale modalità?
5. Era attivo HDR o modalità notte?
6. È stata usata la modalità ritratto?
7. Il file è stato modificato?
8. È stato ritagliato?
9. È stato inviato in chat?
10. È stato pubblicato sui social?
11. È stato salvato mediante screenshot?
12. È stato estratto da un PDF?
13. Esiste il file RAW?
14. Esiste la fotografia precedente?
15. Esiste la fotografia successiva?
16. È disponibile il dispositivo?
17. Sono presenti backup o cloud?
18. Quale parte viene contestata?
19. Quale fatto dovrebbe essere verificato?
20. Sono già stati utilizzati detector o editor?

13. Definire il quesito tecnico

Quesito improprio:

“Dimostrare che la fotografia è falsa.”

Quesiti tecnici più corretti:

- verificare il livello generazionale del file;
- verificare la compatibilità col dispositivo dichiarato;
- esaminare la presenza di ricompressioni;
- valutare la regione contestata;
- verificare eventuali copy-move;
- verificare inserimenti o rimozioni;
- analizzare metadati e provenienza;
- verificare C2PA;
- valutare la compatibilità con una generazione AI;
- confrontare il file con versioni precedenti;
- indicare fonti mancanti e limiti.

“L’accertamento è finalizzato alla valutazione della compatibilità tecnica dell’immagine con il processo dichiarato e alla ricerca di eventuali trasformazioni, composizioni o generazioni sintetiche osservabili.”

14. Cartella del caso

CASO_RM_2026_028/
├── 00_incarico/
├── 01_verbali/
├── 02_originali/
├── 03_hash/
├── 04_copie_analisi/
├── 05_file_structure/
├── 06_exiftool/
├── 07_imagemagick/
├── 08_c2pa/
├── 09_raw/
├── 10_metadata/
├── 11_thumbnails/
├── 12_jpeg_analysis/
├── 13_noise_prnu/
├── 14_cfa_resampling/
├── 15_geometry_lighting/
├── 16_copy_move/
├── 17_splicing/
├── 18_ai_detection/
├── 19_models_weights/
├── 20_reference_images/
├── 21_comparisons/
├── 22_timeline/
├── 23_reports/
└── 24_relazione/

15. Registro dei reperti

16. Catena di custodia

Per ogni reperto registrare:

- identificativo;
- nome originale;
- fonte;
- dispositivo;
- account;
- percorso;
- data e ora;
- fuso;
- soggetto conferente;
- modalità di trasferimento;
- dimensione;
- hash;
- posizione;
- copie;
- accessi;
- strumenti.

La procedura generale è descritta nel Capitolo 2 — Catena di custodia, hash e verbale tecnico.

“L’originale è stato sottoposto a calcolo dell’impronta SHA-256 e conservato separatamente dalle copie utilizzate per le analisi.”

17. Calcolo dell’hash

Windows PowerShell

Get-FileHash -Algorithm SHA256 `
  -LiteralPath ".\foto-contestata.jpg"

Linux

sha256sum -- foto-contestata.jpg

macOS

shasum -a 256 -- foto-contestata.jpg

Manifesto della cartella

find originali -type f -print0 \
  | sort -z \
  | xargs -0 sha256sum \
  > manifest_sha256.txt

L’hash:

• identifica il file acquisito;
• consente confronti successivi;
• non dimostra la veridicità della scena;
• non esclude modifiche anteriori;
• non identifica il dispositivo sorgente.

18. Tipi di confronto

18.1 Hash crittografico del file

Confronta l’intero file bit per bit.

18.2 Hash dei pixel decodificati

Confronta i valori prodotti da un decoder definito.

Può risultare uguale anche quando:

• metadati differiscono;
• contenitore differisce;
• ordine dei segmenti accessori differisce.

18.3 Hash percettivo

Valuta somiglianze visive nonostante:

• ricompressione;
• resize;
• lievi variazioni;
• conversione.

Non è adatto a dimostrare identità binaria.

18.4 Confronto strutturale

Valuta:

• formato;
• metadati;
• segmenti;
• dimensioni;
• profili colore;
• miniature;
• quantizzazione.

19. Identificare il formato reale

Non fidarsi dell’estensione.

Un file denominato:

foto.jpg

può essere:

• JPEG;
• PNG rinominato;
• WebP;
• HEIC;
• AVIF;
• file corrotto;
• documento con estensione errata.

Linux e macOS

file --brief -- foto-contestata.jpg
file --brief --mime-type -- foto-contestata.jpg
xxd -l 256 -- foto-contestata.jpg

PowerShell

Format-Hex `
  -LiteralPath ".\foto-contestata.jpg" `
  -Count 256

20. Formati principali

21. JPEG

JPEG è un formato molto diffuso per fotografie e immagini web.

Può contenere:

• dati immagine compressi;
• segmenti JFIF;
• EXIF;
• XMP;
• IPTC;
• profilo ICC;
• miniature;
• commenti;
• Photoshop IRB;
• C2PA/JUMBF.

La compressione JPEG è normalmente lossy.

Ogni nuova ricompressione può modificare:

• coefficienti;
• blocchi;
• bordi;
• texture;
• rumore;
• dimensione;
• hash.

Una ricompressione non dimostra necessariamente una manipolazione semantica.

22. PNG e APNG

PNG utilizza compressione lossless e supporta:

• scala di grigi;
• palette;
• truecolor;
• alpha;
• metadati;
• profili colore;
• chunk estensibili.

La terza edizione della specifica PNG è divenuta Raccomandazione W3C il 24 giugno 2025 e comprende formalmente anche Animated PNG e supporti HDR. (W3C — PNG Specification Third Edition)

Un PNG può essere:

• screenshot;
• export da editor;
• immagine convertita;
• grafica;
• frame video;
• composizione.

Il fatto che sia lossless non dimostra che i pixel non siano stati precedentemente modificati.

23. TIFF

TIFF è un formato flessibile che può contenere:

• immagini compresse o non compresse;
• più pagine;
• miniature;
• profili;
• EXIF;
• XMP;
• dati proprietari;
• immagini a elevata profondità.

Può essere usato per:

• scansioni;
• fotografia;
• archiviazione;
• immagini scientifiche;
• copie di analisi.

Un TIFF può derivare da qualunque altra fonte e non è automaticamente un originale.

24. HEIF e HEIC

HEIF è un contenitore basato su ISO Base Media File Format.

Può contenere:

• immagine primaria;
• immagini multiple;
• sequenze;
• miniature;
• alpha;
• depth map;
• immagini ausiliarie;
• metadati EXIF e XMP;
• trasformazioni logiche.

HEIC indica frequentemente l’uso di HEVC per la codifica delle immagini.

Un file può includere:

• fotografia;
• profondità per modalità ritratto;
• versione HDR;
• anteprima;
• trasformazioni.

L’estrazione della sola immagine primaria può perdere dati utili.

25. AVIF

AVIF utilizza immagini AV1 all’interno della struttura HEIF.

Può supportare:

• SDR;
• HDR;
• Wide Color Gamut;
• alpha;
• immagini multilivello;
• sequenze.

La specifica AOMedia definisce il formato come memorizzazione di immagini AV1 in file HEIF e prevede profili per favorire l’interoperabilità. (AOMedia — AV1 Image File Format)

Un AVIF scaricato dal web può essere una conversione di:

• JPEG;
• PNG;
• HEIC;
• immagine AI;
• fotografia modificata.

26. WebP

WebP può utilizzare:

• compressione lossy;
• compressione lossless;
• alpha;
• profilo ICC;
• EXIF;
• XMP;
• animazione.

La struttura del contenitore è basata su RIFF e può includere chunk dedicati a immagine, animazione e metadati. (Google — WebP Container Specification)

Una piattaforma può convertire automaticamente un JPEG in WebP senza modificare intenzionalmente il contenuto rappresentato.

27. File RAW

Un file RAW può contenere:

• dati del sensore;
• matrice CFA;
• informazioni di esposizione;
• bilanciamento del bianco;
• correzioni;
• miniature;
• JPEG incorporato;
• MakerNotes;
• dati di messa a fuoco;
• informazioni lente.

RAW non significa necessariamente:

• dati intatti;
• assenza di compressione;
• file non modificabile;
• immagine già visibile senza sviluppo.

Alcuni formati RAW possono essere:

• compressi;
• parzialmente elaborati;
• ricostruiti;
• convertiti;
• modificati da software.

28. DNG

Digital Negative è un formato documentato per memorizzare dati RAW e deriva dalla struttura TIFF.

Può essere:

• prodotto direttamente dalla fotocamera;
• creato da uno smartphone;
• ottenuto mediante conversione da un RAW proprietario;
• generato da un software.

Adobe lo descrive come formato archivistico pubblico per dati camera raw; la specifica attuale indicata dalla documentazione è DNG 1.7.1.0. (Adobe — Digital Negative)

Un DNG convertito non è necessariamente equivalente al RAW proprietario originario.

Registrare:

- modello;
- software di conversione;
- versione;
- data;
- OriginalRawFileName;
- OriginalRawFileData;
- preview;
- opcode;
- profili.

29. Screenshot

Uno screenshot documenta ciò che il sistema ha rappresentato sullo schermo.

Può includere:

• interfaccia;
• testo;
• notifiche;
• barra di stato;
• immagini;
• errori di rendering;
• zoom;
• crop.

Non documenta automaticamente:

• il file originario visualizzato;
• i metadati del contenuto;
• la risoluzione originaria;
• la data reale della scena;
• la provenienza dell’immagine riprodotta.

La procedura completa è descritta nel Capitolo 15 — Verifica forense di screenshot e schermate.

30. Immagini estratte da PDF e documenti

Un’immagine incorporata in:

• PDF;
• DOCX;
• PPTX;
• email;
• pagina web;

può essere:

• originale incorporato;
• anteprima;
• versione ridimensionata;
• ricompressione;
• renderizzazione;
• screenshot.

Quando possibile, acquisire:

1. documento completo;
2. oggetto incorporato;
3. immagine renderizzata;
4. metadati del documento;
5. versione precedente.

Per i PDF vedere il Capitolo 13 — PDF, firme digitali e marche temporali.

31. Pipeline di acquisizione fotografica

Una pipeline semplificata può essere:

luce
→ lente
→ filtro colore
→ sensore
→ CFA
→ conversione analogico-digitale
→ demosaicing
→ bilanciamento del bianco
→ riduzione rumore
→ correzione lente
→ sharpening
→ tone mapping
→ compressione
→ file

Ogni fase può lasciare caratteristiche utili.

La pipeline può essere differente tra:

• fotocamere;
• smartphone;
• modalità;
• firmware;
• app;
• sensori.

32. Sensore e CFA

Molti sensori acquisiscono informazioni cromatiche mediante un Color Filter Array.

Il sistema ricostruisce il colore completo dei pixel attraverso il demosaicing.

Possibili pattern:

• Bayer;
• X-Trans;
• altri schemi.

Le tracce CFA possono essere utilizzate per valutare:

• coerenza della pipeline;
• ricampionamenti;
• regioni modificate;
• compatibilità col dispositivo.

Una ricompressione o un resize può attenuare tali tracce.

33. Demosaicing

Il demosaicing ricostruisce i canali cromatici mancanti a partire dai campioni filtrati del sensore.

Produce dipendenze statistiche tra pixel vicini.

Una regione inserita può presentare:

• correlazioni differenti;
• diverso pattern;
• assenza della stessa interpolazione;
• tracce di un’altra fotocamera.

ENFSI considera il demosaicing una fase della ricostruzione dell’immagine completa a partire dal CFA e include l’analisi di tali tracce tra i possibili metodi di autenticazione. (ENFSI — Best Practice Manual for Digital Image Authentication)

34. Fotografia computazionale

Gli smartphone possono combinare più acquisizioni per produrre una sola fotografia.

Esempi:

• HDR;
• modalità notte;
• riduzione del rumore multi-frame;
• super-resolution;
• fusione di più sensori;
• modalità ritratto;
• selezione del volto;
• correzione dello sguardo;
• rimozione automatica di difetti;
• tone mapping locale.

Una discontinuità o un dettaglio apparentemente “ricostruito” può dipendere dalla pipeline nativa.

Prima di concludere che vi sia stata una manipolazione successiva occorre verificare:

• modello;
• sistema operativo;
• app;
• modalità;
• file di riferimento;
• dati ausiliari.

35. Fotografie da smartphone

Acquisire, quando disponibile:

• file HEIC/JPEG;
• Live Photo;
• motion photo;
• depth map;
• RAW/DNG;
• database fotografico;
• cloud;
• file precedente e successivo;
• thumbnail;
• album;
• modalità di scatto.

Approfondimenti:

• Acquisizione forense di smartphone Android
• Acquisizione forense di iPhone e iPad iOS

36. Piattaforme social e messaggistica

Una piattaforma può:

• ricomprimere;
• ridimensionare;
• rimuovere metadati;
• convertire il formato;
• applicare sharpening;
• creare thumbnail;
• produrre più versioni;
• modificare il profilo colore.

Un’immagine social non dovrebbe essere trattata automaticamente come camera-original.

Quando disponibile, confrontare:

file sul dispositivo
→ file inviato
→ file ricevuto
→ file pubblicato
→ screenshot

37. Metadati

I metadati possono descrivere:

• dispositivo;
• modello;
• lente;
• esposizione;
• data;
• GPS;
• software;
• autore;
• copyright;
• orientamento;
• profilo colore;
• miniature;
• cronologia;
• sistema AI dichiarato.

I metadati possono essere:

• corretti;
• errati;
• modificati;
• rimossi;
• ricostruiti;
• ereditati;
• riferiti all’ultimo export.

La procedura generale è trattata nel Capitolo 14 — Metadati, EXIF, XMP, C2PA e provenienza dei file.

38. EXIF 3.1

EXIF può contenere informazioni come:

• Make;
• Model;
• DateTimeOriginal;
• OffsetTimeOriginal;
• ExposureTime;
• FNumber;
• ISO;
• FocalLength;
• LensModel;
• GPS;
• Orientation;
• Software;
• MakerNotes;
• thumbnail.

La CIPA ha pubblicato il 30 gennaio 2026 Exif Version 3.1, mentre il 1° giugno 2026 ha pubblicato la revisione dello standard relativo alla rappresentazione dei metadati Exif in XMP. (CIPA — Standards)

Un tag EXIF non costituisce una firma crittografica.

39. XMP

XMP standardizza:

• modello dei metadati;
• serializzazione;
• proprietà;
• incorporamento in formati comuni;
• sidecar.

Può contenere:

• cronologia;
• software;
• rating;
• autore;
• modifiche;
• coordinate;
• informazioni AI;
• riferimenti a file sorgenti.

Adobe descrive XMP come modello estensibile utilizzabile all’interno di JPEG, PDF e altri formati, oppure mediante file sidecar. (Adobe — XMP Specifications)

Un sidecar separato deve essere acquisito insieme all’immagine alla quale si riferisce.

40. IPTC

IPTC Photo Metadata può contenere:

• creator;
• credit;
• source;
• caption;
• location;
• rights;
• persone;
• eventi;
• informazioni editoriali.

La versione 2025.1 ha introdotto, tra le altre, proprietà relative a:

• informazioni sul prompt AI;
• autore del prompt;
• sistema AI utilizzato;
• versione del sistema.

(IPTC Photo Metadata Standard)

La presenza dei campi dipende dall’adozione del software e dalla correttezza di chi li compila.

41. MakerNotes

Le MakerNotes possono contenere informazioni proprietarie del produttore:

• seriale;
• obiettivo;
• autofocus;
• stabilizzazione;
• contatori;
• modalità;
• temperatura;
• elaborazioni.

Sono:

• specifiche del produttore;
• non sempre documentate;
• sensibili alla conversione;
• potenzialmente perse durante l’export.

Un seriale nelle MakerNotes è un elemento utile, ma deve essere correlato con:

• dispositivo;
• file di riferimento;
• catena di custodia;
• ulteriori metadati.

42. Miniature e anteprime

Un file può contenere:

• thumbnail EXIF;
• preview JPEG;
• anteprima RAW;
• immagine ridotta;
• cache.

Le miniature possono:

• rappresentare una versione precedente;
• avere crop differente;
• contenere dati rimossi dall’immagine principale;
• essere aggiornate o non aggiornate;
• provenire dalla fotocamera o da un editor.

Una differenza tra anteprima e immagine principale può essere significativa, ma richiede la conoscenza del workflow.

43. Profili ICC

Un profilo ICC descrive la gestione del colore.

Possibili profili:

• sRGB;
• Display P3;
• Adobe RGB;
• ProPhoto RGB;
• profili scanner;
• profili stampante.

Un player che ignora o interpreta male il profilo può mostrare colori differenti.

Una differenza visiva non dimostra necessariamente modifica dei pixel.

44. Date e orari

Distinguere:

DateTimeOriginal
CreateDate
ModifyDate
FileCreateDate
FileModifyDate
GPSDateStamp
XMP CreateDate
data della chat
data del cloud
data di acquisizione

Questi valori possono riferirsi a momenti differenti.

Registrare:

• valore;
• fuso;
• offset;
• precisione;
• fonte;
• coerenza;
• eventuale conversione.

“Il tag indica il valore riportato, ma non costituisce una marcatura temporale certificata.”

45. GPS

I metadati GPS possono includere:

• latitudine;
• longitudine;
• quota;
• direzione;
• timestamp;
• precisione.

Possono derivare da:

• sensore;
• rete;
• telefono collegato;
• inserimento manuale;
• software;
• social.

Verificare:

• formato;
• segno;
• datum;
• timestamp;
• coerenza col luogo;
• coerenza con altre fotografie;
• precisione.

La presenza di coordinate non dimostra automaticamente che il dispositivo si trovasse in quel punto durante lo scatto.

46. Nome del file e percorso

Nomi come:

IMG_20260714_101522.jpg
DSC_1842.JPG
Screenshot_20260714.png

possono fornire indicazioni.

Sono tuttavia:

• modificabili;
• ricreati dalle app;
• assegnati durante l’export;
• non necessariamente univoci.

Il nome non costituisce prova autonoma della data o della sorgente.

47. C2PA e Content Credentials

C2PA consente di associare a un asset un manifesto firmato contenente dichiarazioni su:

• origine;
• strumenti;
• azioni;
• ingredienti;
• trasformazioni;
• fonte digitale;
• uso dichiarato di AI.

La specifica tecnica corrente è la versione 2.4 e prevede strutture applicabili anche alle immagini e a numerosi formati multimediali. (C2PA Technical Specification 2.4)

C2PA utilizza firme e hard binding per collegare il manifesto all’asset.

48. Analisi con c2patool

Report ordinario

c2patool \
  "foto-contestata.jpg" \
  > c2pa-summary.json

Report dettagliato

c2patool \
  "foto-contestata.jpg" \
  -d \
  > c2pa-detailed.json

Versione

c2patool -V

Registrare:

- versione;
- comando;
- file;
- hash;
- validation status;
- manifest store;
- firma;
- claim generator;
- ingredienti;
- azioni.

49. Interpretare C2PA

Un manifesto valido può supportare:

• integrità rispetto al claim;
• provenienza dichiarata;
• identità del firmatario o certificato;
• software;
• azioni registrate;
• ingredienti.

Non dimostra automaticamente:

• verità della scena;
• identità delle persone;
• liceità della produzione;
• completezza della storia;
• assenza di modifiche anteriori al primo manifesto.

“Il manifesto risulta validamente associato all’immagine e documenta le asserzioni indicate, nei limiti della catena di provenienza disponibile.”

50. Assenza di C2PA

L’assenza può dipendere da:

• dispositivo non compatibile;
• file precedente allo standard;
• generatore non aderente;
• ricompressione;
• screenshot;
• social;
• rimozione dei metadati;
• conversione;
• stampa e scansione.

Conclusione corretta:

“Nel file non è stato rilevato un manifesto C2PA. Tale assenza non consente di stabilire se l’immagine sia naturale, modificata o sintetica.”

51. Watermark

Un sistema generativo può inserire:

• watermark visibile;
• watermark invisibile;
• marcatura robusta;
• identificatore del provider;
• segnale localizzato.

La presenza verificata mediante lo strumento ufficiale può supportare l’origine dallo specifico sistema.

L’assenza non dimostra che l’immagine sia naturale.

Può dipendere da:

• generatore diverso;
• crop;
• resize;
• screenshot;
• compressione;
• rimozione;
• trasformazione;
• watermark non applicato.

52. Provenienza e detector

Il NIST considera:

• firme;
• metadati;
• watermark;
• Content Credentials;
• detector;

componenti complementari.

Una marcatura può fornire una dichiarazione positiva di provenienza.

Un detector tenta invece di inferire l’origine attraverso caratteristiche statistiche.

Nessuno dei due approcci è universale. (NIST AI 100-4)

53. Strumenti principali

53.1 ExifTool

Per:

• EXIF;
• GPS;
• IPTC;
• XMP;
• JFIF;
• ICC;
• MakerNotes;
• C2PA/JUMBF;
• metadati proprietari.

ExifTool supporta numerose famiglie di metadati e MakerNotes di molti produttori. (ExifTool)

53.2 ImageMagick

Per:

• identificazione;
• dimensioni;
• canali;
• profilo;
• statistiche;
• differenze;
• conversioni controllate sulle copie.

magick identify può descrivere formato, dimensioni, colori, profili ed eventuale corruzione; magick compare può produrre una rappresentazione visiva e una metrica delle differenze. (ImageMagick Identify)

53.3 c2patool

Per:

• individuazione;
• lettura;
• validazione;
• estrazione di manifesti C2PA.

53.4 Strumenti specialistici

Possono comprendere:

• Amped Authenticate;
• Forensically;
• JPEGsnoop;
• software PRNU;
• parser RAW;
• strumenti di copy-move;
• sistemi di detection AI;
• MATLAB o Python validato;
• editor esadecimali.

L’elenco non costituisce approvazione di uno specifico prodotto.

54. Registrare le versioni

exiftool -ver
magick -version
c2patool -V

Per strumenti Python:

python --version \
  > python-version.txt

pip freeze \
  > python-environment.txt

Registrare:

Strumento:
Versione:
Sistema operativo:
Librerie:
Modello:
Pesi:
Data:

55. ExifTool: estrazione completa

Testo

exiftool \
  -G0:1:2 \
  -a \
  -s \
  -u \
  -ee \
  -struct \
  "foto-contestata.jpg" \
  > exiftool-full.txt

JSON

exiftool \
  -G0:1:2 \
  -a \
  -s \
  -u \
  -ee \
  -struct \
  -json \
  "foto-contestata.jpg" \
  > exiftool-full.json

Struttura HTML

exiftool \
  -htmldump \
  "foto-contestata.jpg" \
  > exiftool-structure.html

L’opzione -a consente di mostrare tag duplicati che altrimenti potrebbero non essere visualizzati.

Non utilizzare funzioni di scrittura sull’originale.

56. ImageMagick: identificazione

magick identify \
  "foto-contestata.jpg" \
  > identify.txt

magick identify \
  -verbose \
  "foto-contestata.jpg" \
  > identify-verbose.txt

Verificare:

- formato;
- geometria;
- depth;
- colorspace;
- alpha;
- profili;
- orientamento;
- statistiche;
- commenti;
- eventuali warning.

57. Analisi esadecimale

xxd \
  -g 1 \
  -l 1024 \
  "foto-contestata.jpg" \
  > header-hex.txt

Per un’area specifica:

xxd \
  -g 1 \
  -s 4096 \
  -l 1024 \
  "foto-contestata.jpg" \
  > segment-hex.txt

Può contribuire a verificare:

• firma;
• segmenti;
• trailer;
• dati aggiunti;
• metadati;
• struttura.

Richiede conoscenza del formato.

58. Ispezione visuale iniziale

La prima ispezione dovrebbe avvenire:

1. sull’immagine completa;
2. a scala 1:1;
3. con zoom progressivi;
4. sui singoli canali, quando utile;
5. con profilo colore corretto;
6. senza sharpening o “miglioramenti” automatici;
7. su un monitor affidabile.

Annotare:

• regioni contestate;
• bordi;
• ombre;
• prospettiva;
• riflessi;
• texture;
• scritte;
• geometria;
• ripetizioni.

L’ispezione umana orienta l’analisi, ma non la conclude.

59. Analisi globale e locale

59.1 Globale

Esamina:

• formato;
• dimensioni;
• metadati;
• compressione;
• rumore;
• colore;
• pipeline.

59.2 Locale

Esamina:

• regione inserita;
• volto;
• oggetto;
• testo;
• ombra;
• bordo;
• rumore;
• CFA;
• quantizzazione.

Una manipolazione locale può essere invisibile all’analisi globale.

Un’anomalia locale può essere spiegata soltanto osservando l’intera scena.

60. Categorie di trasformazione

Trasformazioni geometriche

• crop;
• resize;
• rotazione;
• prospettiva;
• mirror;
• warp.

Trasformazioni fotometriche

• esposizione;
• contrasto;
• colore;
• saturazione;
• curve;
• filtri.

Modifiche semantiche

• inserimento;
• rimozione;
• sostituzione;
• compositing;
• generazione.

Trasformazioni di distribuzione

• ricompressione;
• screenshot;
• social;
• stampa;
• scansione.

61. Crop

Un crop elimina aree periferiche.

Può essere legittimo per:

• composizione;
• privacy;
• social;
• documento;
• stampa.

Possibili indicatori:

• dimensioni atipiche;
• aspect ratio;
• assenza di thumbnail coerente;
• metadati;
• confronto con versioni;
• oggetti parzialmente tagliati.

Un crop può cambiare il significato della scena anche senza modificare i pixel rimasti.

62. Resize

Il ridimensionamento introduce:

• interpolazione;
• correlazione tra pixel;
• variazione del rumore;
• perdita di dettaglio;
• nuovo sharpening;
• possibile alterazione del CFA.

Metodi:

• nearest;
• bilinear;
• bicubic;
• Lanczos;
• area;
• sistemi AI.

L’upscaling non recupera i dettagli originari.

Un sistema generativo di super-resolution può crearne di nuovi.

63. Rotazione e prospettiva

Una rotazione arbitraria richiede normalmente ricampionamento.

Una rotazione di 90 gradi può invece essere:

• logica, tramite metadata;
• lossless per alcuni JPEG;
• prodotta dall’app.

Una correzione prospettica può essere applicata a:

• documenti;
• facciate;
• lavagne;
• targhe.

La trasformazione geometrica non implica necessariamente falsificazione.

64. Colore, esposizione e contrasto

Modifiche globali possono comprendere:

• bilanciamento del bianco;
• curve;
• livelli;
• HDR;
• contrasto;
• saturazione;
• filtro.

Possono alterare:

• visibilità;
• dettaglio;
• ombre;
• percezione di ferite;
• leggibilità.

Una versione migliorata deve essere distinta dall’originale.

“La copia elaborata è stata prodotta esclusivamente per migliorare la visualizzazione e non sostituisce il reperto originario.”

65. Splicing e compositing

Lo splicing inserisce nella scena elementi provenienti da:

• altra fotografia;
• altro frame;
• rendering;
• immagine AI;
• grafica.

Possibili indicatori:

• bordi;
• maschere;
• rumore differente;
• luce incompatibile;
• prospettiva;
• compressione;
• metadati;
• CFA;
• ombre.

Un compositing può essere ricompressato globalmente per uniformare alcune tracce.

66. Copy-move

Nel copy-move una regione della stessa immagine viene copiata e spostata.

Può essere utilizzato per:

• coprire un oggetto;
• duplicare persone;
• ampliare una folla;
• replicare vegetazione;
• nascondere una targa;
• modificare un danno.

Possibili analisi:

• blocchi simili;
• keypoint;
• correlazione;
• trasformazione geometrica;
• confronto locale.

Eventi ripetitivi naturali possono produrre falsi positivi:

• finestre;
• mattoni;
• foglie;
• tessuti;
• pavimenti.

67. Object removal e inpainting

La rimozione di un oggetto può essere realizzata mediante:

• clone stamp;
• content-aware fill;
• patch;
• inpainting tradizionale;
• generative fill;
• diffusione.

Possibili tracce:

• texture ripetute;
• bordi ricostruiti;
• geometria incompleta;
• rumore differente;
• assenza di ombre;
• continuazioni innaturali;
• incoerenze semantiche.

I sistemi generativi possono ricostruire texture senza copie esatte.

68. Object insertion

Un oggetto inserito deve risultare coerente con:

• prospettiva;
• scala;
• messa a fuoco;
• profondità;
• luce;
• ombra;
• riflessi;
• rumore;
• compressione.

Esempio:

un’automobile inserita può avere
dimensione plausibile
ma ombra incompatibile con il sole.

69. Sostituzione di testo

Può riguardare:

• targhe;
• cartelli;
• documenti;
• display;
• messaggi;
• importi;
• date.

Analizzare:

• font;
• kerning;
• baseline;
• prospettiva;
• blur;
• rumore;
• illuminazione;
• compressione;
• riflessi;
• pixel adiacenti.

Il testo piccolo può essere fortemente alterato dalla ricompressione.

70. Ritocco estetico

Può modificare:

• pelle;
• occhi;
• denti;
• corpo;
• età;
• rughe;
• capelli;
• proporzioni.

Un filtro beauty può produrre:

• texture liscia;
• occhi ingranditi;
• mandibola modificata;
• colore uniforme.

Questi effetti possono generare falsi positivi nei detector AI o deepfake.

71. Face swap fotografico

Il volto di una persona può essere sostituito in una singola immagine.

Analizzare:

• contorno;
• mandibola;
• capelli;
• orecchie;
• pelle;
• luce;
• riflessi;
• geometria;
• rumore.

La procedura è collegata al Capitolo 27 — Analisi video deepfake e face swapping.

72. Deep nude e contenuti intimi falsificati

Un’immagine può essere alterata o generata per rappresentare falsamente una persona in un contesto intimo.

La gestione deve prevedere:

• accesso strettamente limitato;
• cifratura;
• esclusione dalle copie ordinarie;
• minimizzazione delle immagini in relazione;
• protezione della persona offesa;
• acquisizione della pagina e dell’account;
• preservazione degli URL e dei timestamp.

La persona rappresentata non coincide con l’autore del contenuto.

73. Screenshot, stampa e ri-fotografia

Un’immagine manipolata può essere:

• mostrata su uno schermo e fotografata;
• stampata e scansita;
• stampata e fotografata;
• inserita in un documento;
• acquisita mediante screenshot.

Questi passaggi introducono:

• nuovo rumore;
• nuova prospettiva;
• moiré;
• riflessi;
• nuova compressione;
• nuovi metadati.

Possono cancellare o attenuare:

• C2PA;
• watermark;
• EXIF;
• quantizzazione precedente;
• CFA originario;
• tracce del generatore.

74. Struttura JPEG

Un JPEG può contenere segmenti come:

SOI
APP0
APP1
APP2
APP13
APP14
DQT
DHT
SOF
SOS
EOI

Possibili dati:

• EXIF;
• XMP;
• ICC;
• IPTC;
• Adobe;
• quantization tables;
• Huffman tables;
• thumbnail.

Anomalie strutturali possono derivare da:

• editor;
• conversione;
• fotocamera;
• software non standard;
• corruzione.

Non costituiscono automaticamente prova di falsificazione.

75. Quantizzazione JPEG

La compressione JPEG utilizza tabelle di quantizzazione.

Le tabelle possono dipendere da:

• fotocamera;
• qualità;
• software;
• piattaforma;
• editor.

Una tabella compatibile con un’applicazione può supportare una storia generazionale.

Non identifica automaticamente:

• persona;
• singola installazione;
• specifica modifica.

76. Doppia compressione JPEG

Un JPEG ricompresso può mostrare tracce di:

• doppia quantizzazione;
• griglia non allineata;
• distribuzioni anomale;
• coefficienti modificati.

La doppia compressione indica un passaggio precedente di codifica.

Non dimostra automaticamente:

• splicing;
• modifica semantica;
• intenzione fraudolenta.

Una piattaforma social può ricomprimere una fotografia genuina.

77. Griglia JPEG e JPEG ghost

Una regione inserita può provenire da un JPEG con:

• qualità differente;
• griglia differente;
• quantizzazione differente.

Con successive ricompressioni, alcune regioni possono mostrare comportamenti differenti.

Il cosiddetto JPEG ghost è un metodo orientativo.

È sensibile a:

• qualità;
• allineamento;
• contenuto;
• texture;
• ulteriori ricompressioni.

Non deve essere interpretato isolatamente.

78. Error Level Analysis

L’ELA confronta l’immagine JPEG con una sua nuova ricompressione e visualizza le differenze.

Può orientare verso:

• regioni con diverso comportamento di compressione;
• bordi;
• aree ad alto dettaglio;
• elementi ricompressi.

Limiti essenziali

L’ELA può evidenziare naturalmente:

• testo;
• bordi;
• luci;
• texture;
• zone già compresse;
• rumore.

Un’immagine interamente ricompressata può apparire uniforme anche dopo una manipolazione.

Un’area luminosa nell’ELA non dimostra che sia stata modificata.

“La rappresentazione ELA costituisce un output esplorativo e non una localizzazione certa della manipolazione.”

79. Rumore dell’immagine

Il rumore può derivare da:

• sensore;
• elettronica;
• ISO;
• esposizione;
• compressione;
• denoising;
• sharpening;
• elaborazione.

Una regione inserita può avere:

• rumore differente;
• grana differente;
• orientamento differente;
• risposta differente.

Il rumore può variare naturalmente per:

• ombre;
• HDR;
• denoising locale;
• profondità;
• sfocatura;
• illuminazione.

80. PRNU

Photo Response Non-Uniformity è una componente del pattern noise associata alle variazioni di risposta dei pixel del sensore.

Può essere utilizzata per valutare la compatibilità tra:

• immagine contestata;
• dispositivo di riferimento.

La metodologia richiede normalmente:

• numerose immagini di riferimento;
• qualità sufficiente;
• assenza di forti trasformazioni;
• modello statistico;
• controllo delle false correlazioni.

SWGDE include PRNU, rumore, struttura del file, EXIF e analisi della pipeline tra gli strumenti possibili per la source identification e l’autenticazione. (SWGDE — Best Practices for Image Authentication)

Limiti

La PRNU può essere degradata da:

• resize;
• crop;
• rotazione;
• stabilizzazione;
• denoising;
• ricompressione;
• screenshot;
• HDR;
• social.

Una mancata correlazione non dimostra che l’immagine non provenga dal dispositivo.

81. Acquisizione delle immagini PRNU di riferimento

Le fotografie di riferimento dovrebbero essere:

• numerose;
• prodotte dallo stesso dispositivo;
• non modificate;
• in condizioni diversificate;
• preferibilmente prive di saturazioni estese;
• con buona esposizione;
• acquisite con workflow documentato.

Registrare:

- dispositivo;
- seriale;
- modalità;
- app;
- risoluzione;
- formato;
- data;
- hash;
- eventuale stabilizzazione;
- eventuale HDR.

Non utilizzare indiscriminatamente foto personali estranee al caso.

82. CFA e coerenza del demosaicing

L’analisi può cercare:

• pattern di interpolazione;
• periodicità;
• incoerenze locali;
• regioni prive dello stesso CFA;
• tracce di ricampionamento.

È particolarmente sensibile a:

• resize;
• compressione;
• rumore;
• sharpening;
• formato;
• pipeline computazionale.

Una regione AI può non avere un CFA reale.

Una fotografia AI ri-fotografata può invece acquisire un nuovo CFA coerente con la fotocamera utilizzata per la riacquisizione.

83. Resampling

Il resampling può derivare da:

• resize;
• rotazione;
• prospettiva;
• warp;
• stabilizzazione;
• allineamento.

Produce dipendenze tra pixel.

Possibili analisi:

• periodicità;
• autocorrelazione;
• trasformata;
• residui;
• pattern locali.

Un’immagine può essere ricampionata globalmente per ragioni legittime.

84. Geometria e prospettiva

Verificare:

• punti di fuga;
• linee parallele;
• scala;
• orizzonte;
• altezza della camera;
• posizione degli oggetti;
• proiezione.

Possibili incongruenze:

• persona troppo grande;
• automobile con prospettiva differente;
• oggetto che non segue il piano;
• linee incompatibili.

Le lenti grandangolari e le correzioni software possono modificare la geometria.

85. Illuminazione

Analizzare:

• direzione;
• colore;
• intensità;
• diffusione;
• sorgenti visibili;
• highlight;
• gradienti.

Un oggetto inserito può avere:

• illuminazione da altra direzione;
• temperatura colore differente;
• contrasto incompatibile;
• specularità non coerente.

Una scena può contenere più sorgenti luminose non visibili.

86. Ombre

Verificare:

• direzione;
• lunghezza;
• morbidezza;
• colore;
• contatto col terreno;
• occlusione.

Possibili incongruenze:

• ombra assente;
• ombra con direzione differente;
• oggetto privo di contact shadow;
• ombra che attraversa elementi.

La forma delle ombre dipende dalla geometria tridimensionale e non dovrebbe essere semplificata eccessivamente.

87. Riflessi

Possibili superfici:

• vetri;
• specchi;
• acqua;
• automobili;
• occhi;
• metallo;
• schermi.

Confrontare:

• oggetti riflessi;
• posizione;
• orientamento;
• luce;
• occlusione;
• deformazione.

Un elemento inserito potrebbe non comparire nel riflesso.

Il riflesso può essere fuori campo o non osservabile per ragioni geometriche.

88. Profondità di campo e sfocatura

La sfocatura dipende da:

• apertura;
• distanza;
• focale;
• sensore;
• movimento;
• modalità ritratto;
• elaborazione.

Un oggetto inserito può presentare:

• nitidezza incompatibile;
• bordo troppo netto;
• blur differente;
• bokeh incoerente.

La modalità ritratto può generare errori di segmentazione anche in una fotografia camera-original.

89. Aberrazione cromatica e distorsione

Le lenti possono produrre:

• aberrazione laterale;
• frange di colore;
• distorsione a barilotto;
• distorsione a cuscinetto;
• vignettatura.

Un oggetto proveniente da un’altra immagine può non condividere le stesse aberrazioni.

Le correzioni software possono rimuoverle globalmente o localmente.

90. Bordi, alpha e maschere

Una regione composta può mostrare:

• halo;
• bordo sfumato;
• residui di sfondo;
• aliasing;
• differenza di sharpening;
• alpha premultiplicato;
• contorno troppo netto.

I bordi ad alto contrasto sono anche soggetti a:

• JPEG ringing;
• sharpening;
• resize;
• compressione social.

91. Colore e rumore locale

Confrontare regioni omogenee rispetto a:

• media;
• varianza;
• distribuzione;
• spettro;
• rumore;
• canali;
• saturazione.

Una differenza può derivare da:

• inserimento;
• ombra;
• HDR;
• denoising;
• depth map;
• tone mapping locale.

92. Confronto tra versioni

Prima del confronto:

1. identificare le dimensioni;
2. verificare orientamento;
3. correggere soltanto copie;
4. allineare geometricamente;
5. documentare l’allineamento;
6. separare differenze di formato e contenuto.

Confrontare:

• hash;
• metadati;
• dimensioni;
• crop;
• pixel;
• regioni;
• profili;
• JPEG structure.

93. ImageMagick compare

Differenza assoluta

magick compare \
  -metric AE \
  "foto-A.png" \
  "foto-B.png" \
  "differenze-ae.png" \
  2> compare-ae.txt

RMSE

magick compare \
  -metric RMSE \
  "foto-A.png" \
  "foto-B.png" \
  "differenze-rmse.png" \
  2> compare-rmse.txt

L’output di differenza è un’immagine derivata.

Prima del confronto occorre verificare:

• stessa geometria;
• stesso profilo;
• stesso orientamento;
• stessa profondità;
• stesso decoder.

94. Hash percettivo

Possibili famiglie:

• aHash;
• dHash;
• pHash;
• wavelet hash;
• fingerprint neurali.

Sono utili per:

• trovare copie;
• ricompressioni;
• resize;
• versioni simili.

Non dimostrano:

• identità binaria;
• provenienza;
• autenticità;
• autore.

Definire:

- algoritmo;
- implementazione;
- versione;
- distanza;
- soglia;
- trasformazioni tollerate.

95. Fotografie di riferimento

Possono essere utilizzate per confrontare:

• struttura del file;
• metadati;
• quantizzazione;
• MakerNotes;
• CFA;
• PRNU;
• modalità computazionali.

Dovrebbero essere prodotte con:

• stesso dispositivo;
• stessa app;
• stessa modalità;
• stesso formato;
• stessa risoluzione;
• workflow analogo.

Prima di produrre test sul dispositivo probatorio:

1. acquisire i dati;
2. preservare gli originali;
3. documentare lo stato;
4. utilizzare account o supporto separato;
5. registrare ogni modifica.

96. Immagini generate con AI

Un’immagine può essere:

• integralmente sintetica;
• prodotta da testo;
• prodotta da un’immagine di riferimento;
• trasformata mediante image-to-image;
• completata mediante outpainting;
• modificata localmente;
• sviluppata mediante generative fill;
• composta con elementi reali;
• ri-fotografata.

Non ogni contenuto sintetico è ingannevole.

Può essere utilizzato lecitamente per:

• grafica;
• illustrazione;
• pubblicità dichiarata;
• prototipazione;
• arte;
• formazione.

L’accertamento riguarda la natura e la provenienza, non una condanna automatica dell’uso dell’AI.

97. GAN e modelli diffusivi

GAN

I Generative Adversarial Networks utilizzano un generatore e un discriminatore in competizione durante l’addestramento.

Diffusione

I modelli diffusivi generano o ricostruiscono l’immagine attraverso un processo iterativo di denoising.

Le due famiglie possono lasciare caratteristiche differenti.

I detector sviluppati su GAN meno recenti possono non generalizzare ai moderni modelli diffusivi.

98. Generazione integrale e modifica locale

Generazione integrale

L’intera scena viene prodotta artificialmente.

Modifica locale

Soltanto una regione viene:

• sostituita;
• rimossa;
• completata;
• espansa;
• ritoccata.

La modifica locale è particolarmente difficile da rilevare mediante un singolo score globale.

Occorre combinare:

• detection;
• classificazione;
• localizzazione;
• analisi del contesto.

Il benchmark SAFE 2026 valuta congiuntamente decisione globale, tipo di manipolazione e maschera pixel-level su immagini interamente sintetiche e modificate localmente, evidenziando vulnerabilità ancora rilevanti nei sistemi moderni. (SAFE Image Authenticity Challenge)

99. Detector automatici di immagini AI

Un detector può utilizzare:

• pixel RGB;
• frequenze;
• residui;
• texture;
• rappresentazioni neurali;
• modelli vision-language;
• statistiche del generatore;
• classificatori di provenienza.

Può restituire:

• etichetta;
• score;
• probabilità calibrata;
• classe del generatore;
• heatmap;
• maschera.

Il risultato dipende da:

• training set;
• generatore;
• preprocessing;
• codec;
• resize;
• crop;
• soglia;
• risoluzione;
• dominio.

100. Valutazioni NIST

Il programma NIST GenAI valuta sistemi in grado di distinguere contenuti sintetici e naturali in protocolli definiti.

Il fatto che un detector partecipi a una valutazione non significa automaticamente che sia adatto a:

• ogni immagine;
• ogni generatore;
• ogni piattaforma;
• una conclusione peritale isolata.

La prestazione deve essere letta rispetto a:

• dataset;
• metriche;
• soglie;
• trasformazioni;
• dominio.

(NIST GenAI Image Discriminator Evaluation)

101. Robustezza alle trasformazioni

Il benchmark NTIRE 2026 dedicato alla rilevazione di immagini AI “in the wild” ha utilizzato:

• 108.750 immagini reali;
• 185.750 immagini generate;
• 42 generatori;
• 36 trasformazioni.

Le trasformazioni comprendono scenari realistici come:

• crop;
• resize;
• compressione;
• blur.

L’obiettivo è valutare la robustezza oltre il file pulito prodotto direttamente dal generatore. (NTIRE 2026 — Robust AI-Generated Image Detection)

La conseguenza peritale è:

Un detector accurato sul file originario può diventare poco affidabile su una copia social, uno screenshot o una fotografia ricompressata.

102. Domain shift

Il domain shift si verifica quando il reperto differisce dai dati di sviluppo.

Esempio:

training:
immagini 1024×1024 prodotte direttamente dai generatori;

caso:
JPEG WhatsApp 640×853, ritagliato e ricompressato.

Possibili differenze:

• generatore;
• epoca;
• risoluzione;
• formato;
• lingua del testo;
• piattaforma;
• soggetto;
• stile;
• compressione;
• ritaglio.

Il domain shift deve essere indicato come limite.

103. Score e probabilità

Uno score non è necessariamente:

• percentuale;
• probabilità;
• certezza;
• affidabilità processuale.

Esempio:

AI score = 0,91

può rappresentare:

• logit;
• similarità;
• output dopo sigmoid;
• media di crop;
• massimo locale;
• valore non calibrato.

La relazione deve spiegare:

- modello;
- classe positiva;
- soglia;
- calibrazione;
- interpretazione.

104. Soglia

Una soglia separa, in modo semplificato:

classe reale
classe sintetica

Può essere scelta per:

• massimizzare accuracy;
• ridurre falsi negativi;
• ridurre falsi positivi;
• EER;
• specifica applicazione.

La soglia del benchmark non è automaticamente quella corretta per una perizia.

105. Calibrazione

Una probabilità è significativa soltanto se il sistema è calibrato sul dominio pertinente.

La calibrazione può deteriorarsi quando cambiano:

• generatore;
• piattaforma;
• compressione;
• crop;
• formato;
• contenuto;
• risoluzione.

Un valore percentuale prodotto fuori dominio può essere fuorviante.

106. Detector locale

È preferibile quando:

• il file è riservato;
• occorre riproducibilità;
• il modello è disponibile;
• i pesi possono essere conservati;
• l’ambiente può essere ricostruito.

Registrare:

- repository;
- commit;
- architettura;
- checkpoint;
- SHA-256 dei pesi;
- dipendenze;
- preprocessing;
- dimensione input;
- soglia;
- output.

Ambiente

python --version \
  > python-version.txt

pip freeze \
  > python-environment.txt

sha256sum \
  detector-checkpoint.bin \
  > detector-checkpoint.sha256.txt

Esecuzione concettuale

python \
  "<SCRIPT_VALIDATO>.py" \
  --checkpoint "<PESI_VALIDATI>" \
  --input "foto-contestata.jpg" \
  --output "detector-result.json"

Il comando reale deve corrispondere all’implementazione validata.

107. Scheda del detector

108. Detector online

Prima di utilizzare un servizio web verificare:

• produttore;
• versione;
• modello;
• data;
• privacy;
• conservazione;
• riutilizzo;
• trasferimento dei dati;
• generi supportati;
• output;
• soglia;
• possibilità di ottenere un report.

Uno screenshot con la scritta:

“AI generated: 95%”

non costituisce una relazione tecnica riproducibile.

109. Ensemble

L’impiego di più detector può essere utile.

Occorre verificare se siano realmente indipendenti.

Due strumenti possono condividere:

• dataset;
• backbone;
• preprocessing;
• pesi;
• vulnerabilità;
• shortcut.

Tre risultati concordi non equivalgono automaticamente a tre prove indipendenti.

110. Localizzazione

Una heatmap o maschera può indicare le regioni che hanno influenzato il detector.

Non dimostra necessariamente:

• area modificata;
• bordo del compositing;
• oggetto inserito;
• regione AI.

Il modello potrebbe concentrarsi su:

• sfondo;
• compressione;
• logo;
• testo;
• watermark.

“La mappa evidenzia le regioni maggiormente associate alla decisione del modello e non costituisce una segmentazione certa dell’area manipolata.”

111. Falsi positivi

Una fotografia autentica può essere classificata come AI a causa di:

• denoising;
• filtri beauty;
• HDR;
• super-resolution;
• rendering computazionale;
• sfondo artificiale;
• bokeh;
• compressione;
• illustrazione;
• screenshot;
• immagine 3D;
• forte ritocco.

Un detector positivo non dimostra automaticamente generazione integrale.

112. Falsi negativi

Un’immagine AI può essere classificata come reale quando:

• il generatore è nuovo;
• il file è ricompressato;
• è stata ri-fotografata;
• è stata stampata;
• il crop elimina le aree informative;
• la manipolazione è locale;
• il detector è fuori dominio;
• il watermark è assente;
• lo stile è fotografico.

113. Ricerca della fonte precedente

Una fotografia manipolata può utilizzare:

• immagine stock;
• fotografia social;
• articolo;
• frame video;
• volto pubblico;
• sfondo precedente.

La ricerca può includere:

• reverse image search;
• confronto percettivo;
• ricerca per ritaglio;
• ricerca di elementi;
• ricerca per testo;
• archivi web.

Acquisire:

• URL;
• data;
• account;
• file;
• hash;
• screenshot;
• descrizione;
• copia della pagina.

La procedura web è descritta nel Capitolo 16 — Acquisizione di pagine web, social e contenuti online.

114. Timeline

Distinguere:

data dello scatto
≠
data del file
≠
data di modifica
≠
data di pubblicazione
≠
data di prima osservazione
≠
data di acquisizione

La timeline forense deve conservare i valori originari e le eventuali normalizzazioni.

115. Matrice delle evidenze

116. Caso pratico 1 — Fotografia WhatsApp di un danno

Scenario

Un avvocato di Roma riceve una fotografia di un’automobile danneggiata.

La controparte sostiene che il graffio sia stato aggiunto.

Risultati

- JPEG ricompressato da WhatsApp;
- metadati originari rimossi;
- nessun file sorgente;
- area del graffio ad alto contrasto;
- ELA non conclusiva;
- rumore locale compatibile col resto;
- luce e riflessi coerenti.

Conclusione

“Nei limiti della copia WhatsApp non sono stati rilevati elementi tecnici sufficienti per sostenere l’inserimento del graffio. La mancata disponibilità del file camera-original impedisce verifiche più robuste sulla pipeline e sulla compressione originaria.”

117. Caso pratico 2 — Livido duplicato mediante copy-move

Scenario

Un cliente di Roma consegna una fotografia nella quale compaiono più segni cutanei.

Risultati

• due regioni con texture identica;
• stessa forma;
• trasformazione di scala limitata;
• rumore coincidente;
• metadati editor;
• originale precedente disponibile.

Conclusione

“Una delle regioni risulta compatibile con la duplicazione e il riposizionamento di una porzione già presente nella fotografia.”

118. Caso pratico 3 — Persona inserita nella scena

Scenario

Una società romana contesta una fotografia che mostrerebbe un dipendente in un luogo aziendale.

Risultati

- prospettiva compatibile;
- luce del volto differente;
- assenza di contact shadow;
- rumore differente;
- bordo della giacca con halo;
- fotografia sorgente del soggetto rinvenuta online.

Conclusione

“La convergenza tra immagine sorgente, contorno, illuminazione e rumore risulta compatibile con l’inserimento successivo della persona nella scena.”

119. Caso pratico 4 — Oggetto rimosso mediante generative fill

Scenario

In una fotografia di un magazzino romano manca un collo che compare in una versione precedente.

Risultati

• versione precedente disponibile;
• area ricostruita;
• texture plausibile ma geometricamente incoerente;
• scaffale prolungato artificialmente;
• assenza di copy-move esatto;
• software generativo nei metadati XMP.

Conclusione

“La regione risulta compatibile con una rimozione seguita da ricostruzione generativa dello sfondo.”

120. Caso pratico 5 — Immagine AI pubblicata come cronaca

Scenario

Un profilo social pubblica una presunta fotografia di un incendio a Roma.

Risultati

- nessuna fonte giornalistica originaria;
- edifici incoerenti;
- scritte deformate;
- veicoli con geometrie variabili;
- detector concordi;
- file social ricompressato;
- nessun C2PA.

Conclusione

“La convergenza degli elementi visivi e dei detector risulta maggiormente compatibile con una generazione artificiale rispetto a una normale acquisizione fotografica dell’evento.”

L’assenza di C2PA non è stata utilizzata come prova.

121. Caso pratico 6 — Falso positivo causato da modalità notte

Scenario

Un detector online classifica come AI una fotografia notturna autentica acquisita da uno smartphone.

Risultati

• file sul dispositivo;
• modalità notte;
• fusione multi-frame;
• denoising;
• sharpening locale;
• detector positivo;
• campioni di riferimento analoghi.

Conclusione

“Il risultato del detector è compatibile con le elaborazioni computazionali proprie della modalità notte e non supporta, isolatamente, un’origine sintetica.”

122. Caso pratico 7 — Foto ri-fotografata da uno schermo

Scenario

Un cliente romano consegna un JPEG con metadati coerenti con una fotocamera, sostenendo che rappresenti una scena reale.

Risultati

- moiré;
- pixel grid del monitor;
- riflessi;
- prospettiva dello schermo;
- PRNU della fotocamera;
- immagine sottostante generata con AI.

Conclusione

“Il file è una fotografia reale di uno schermo, ma il contenuto visualizzato sullo schermo risulta di origine sintetica. La presenza di PRNU e metadati fotografici riguarda la riacquisizione e non la scena rappresentata.”

123. Caso pratico 8 — Fotografia iPhone con Live Photo

Scenario

Un avvocato di Roma contesta la presenza di un oggetto in una fotografia HEIC.

Risultati

• HEIC camera-original;
• Live Photo associata;
• oggetto visibile nei frame precedenti e successivi;
• metadati coerenti;
• nessuna modifica locale;
• cloud originale disponibile.

Conclusione

“La presenza dell’oggetto è confermata dalla sequenza associata alla Live Photo e dalle fonti del dispositivo.”

124. Caso pratico 9 — Data EXIF modificata

Scenario

Una fotografia viene prodotta per dimostrare la presenza in un immobile romano a una determinata data.

Risultati

- DateTimeOriginal modificata;
- OffsetTime assente;
- XMP con data differente;
- file system successivo;
- cloud upload precedente alla data dichiarata;
- contenuto già pubblicato online.

Conclusione

“Il valore DateTimeOriginal non risulta coerente con le ulteriori fonti temporali. La data dichiarata non può essere sostenuta dal solo metadato EXIF.”

125. Caso pratico 10 — C2PA valido con immagine generata

Scenario

Un’immagine utilizzata in una campagna pubblicitaria a Roma contiene Content Credentials.

Risultati

• manifesto valido;
• origine algoritmica dichiarata;
• generatore indicato;
• successive modifiche registrate;
• firma valida;
• account del committente verificato.

Conclusione

“Il manifesto C2PA documenta una produzione algoritmica e le trasformazioni dichiarate. Non consente di identificare autonomamente la persona che ha formulato il prompt.”

126. Caso pratico 11 — Assenza di C2PA in foto autentica

Scenario

Una fotografia del 2021 non presenta Content Credentials.

Risultati

- file sulla scheda SD;
- RAW associato;
- struttura coerente;
- fotografie adiacenti;
- nessun C2PA;
- nessuna anomalia.

Conclusione

“L’assenza di C2PA è compatibile con il dispositivo e con il periodo di acquisizione e non costituisce un indicatore di manipolazione.”

127. Caso pratico 12 — Documento fotografato e stampato

Scenario

Una società romana riceve la fotografia di una dichiarazione apparentemente firmata.

Risultati

• fotografia di una stampa;
• firma integrata nella stampa;
• nessun originale cartaceo;
• JPEG ricompressato;
• testo non analizzabile come PDF nativo;
• ombre coerenti col foglio.

Conclusione

“Il file documenta un foglio stampato contenente la firma rappresentata. Non consente di stabilire se la firma sia stata apposta materialmente sul foglio o inserita nel documento prima della stampa.”

128. Caso pratico 13 — PRNU inconclusivo

Scenario

Un cliente sostiene che una foto provenga da uno specifico telefono Android.

Risultati

- foto social 720 pixel;
- crop;
- ricompressione multipla;
- modalità HDR;
- poche immagini di riferimento;
- correlazione non significativa.

Conclusione

“Le trasformazioni e l’insufficienza dei campioni non consentono una valutazione PRNU affidabile. La mancata correlazione non esclude la provenienza dal dispositivo.”

129. Caso pratico 14 — RAW e JPEG associati

Scenario

Un fotografo di Roma consegna un RAW e il JPEG contestato.

Risultati

• stessa scena;
• sviluppo differente;
• crop;
• regolazione del colore;
• nessun oggetto aggiunto;
• metadati XMP sidecar.

Conclusione

“Il JPEG deriva dal file RAW acquisito e presenta le regolazioni globali e il ritaglio documentati nel sidecar XMP.”

130. Caso pratico 15 — Targa sostituita

Scenario

Una fotografia prodotta in una controversia mostra una targa differente da quella presente in una seconda copia.

Risultati

- stessa immagine di base;
- regione targa sostituita;
- font incompatibile;
- prospettiva parzialmente errata;
- rumore e compressione differenti;
- metadati editor.

Conclusione

“La regione della targa risulta compatibile con una sostituzione successiva dei caratteri e dello sfondo.”

131. Caso pratico 16 — Deep nude

Scenario

Una cliente di Roma segnala immagini intime false pubblicate online.

Risultati

• volto proveniente da fotografie social;
• corpo sintetico o proveniente da altra fonte;
• contorno irregolare;
• illuminazione differente;
• detector concordi;
• account anonimo;
• URL e diffusione acquisiti.

Conclusione

“Le immagini risultano compatibili con una composizione non consensuale nella quale il volto della persona è stato associato a un corpo non proveniente dalla medesima scena.”

132. Errori da evitare

1. Modificare il file originale. Si altera il reperto.
2. Aprire e salvare l’originale con un editor. Si riscrivono metadati e struttura.
3. Calcolare l’hash dopo la conversione. Si perde l’identità della copia ricevuta.
4. Fidarsi dell’estensione. Può essere errata.
5. Considerare JPEG sinonimo di fotografia originale. Può essere un export.
6. Considerare RAW automaticamente autentico. Può essere convertito o modificato.
7. Considerare DNG sinonimo di camera-original. Può derivare da conversione.
8. Analizzare soltanto la miniatura. Può rappresentare una versione differente.
9. Ignorare le anteprime incorporate. Possono conservare informazioni utili.
10. Non acquisire i sidecar XMP. Si perde la storia dello sviluppo.
11. Considerare EXIF una firma. I tag sono modificabili.
12. Considerare assenza EXIF prova di manipolazione. Le piattaforme possono rimuoverlo.
13. Fidarsi della data EXIF. Può essere errata o modificata.
14. Non verificare l’offset temporale. La data può essere ambigua.
15. Fidarsi del GPS senza correlazione. Può essere inserito manualmente.
16. Considerare il nome file prova della data. È modificabile.
17. Considerare il campo Software prova dell’autore. Indica un’applicazione.
18. Considerare un editor nei metadati prova di falsificazione. Può aver applicato soltanto un crop.
19. Non acquisire il dispositivo. Si perdono fonti decisive.
20. Non acquisire il cloud. Può contenere la versione originaria.
21. Non acquisire la chat. Si perde il contesto.
22. Considerare l’immagine WhatsApp un originale. È spesso derivata.
23. Confondere screenshot e file visualizzato. Sono oggetti differenti.
24. Non acquisire il PDF completo. Si perde la struttura del documento.
25. Convertire HEIC in JPEG prima dell’analisi. Si perdono auxiliary image e metadati.
26. Estrarre soltanto l’immagine primaria HEIF. Possono esistere depth map e versioni.
27. Considerare PNG automaticamente non modificato. Può essere un export da editor.
28. Considerare lossless sinonimo di autentico. Descrive la compressione.
29. Considerare una ricompressione prova di montaggio. Può derivare dal social.
30. Considerare doppio JPEG prova di falsità. Dimostra un precedente passaggio di compressione.
31. Usare ELA come prova principale. È una tecnica orientativa.
32. Considerare aree luminose ELA manipolate. Possono essere bordi o texture.
33. Non documentare la qualità usata nell’ELA. Il risultato non è riproducibile.
34. Confrontare immagini con geometria diversa. Le differenze diventano fuorvianti.
35. Ignorare i profili colore. Possono cambiare la visualizzazione.
36. Applicare sharpening prima dell’analisi. Si alterano i bordi.
37. Applicare denoising prima dell’analisi. Si distruggono tracce di rumore.
38. Usare super-resolution per “recuperare” dettagli. Il sistema può inventarli.
39. Trattare l’upscaling come prova. È un output derivato.
40. Considerare texture ripetuta prova certa di copy-move. Può essere naturale.
41. Ignorare mattoni, foglie e finestre. Producono molte corrispondenze.
42. Considerare un bordo sfocato prova di compositing. Può derivare da bokeh o compressione.
43. Considerare ombra assente prova certa. Può essere fuori campo o diffusa.
44. Semplificare eccessivamente la prospettiva. La lente può deformare la scena.
45. Ignorare la correzione lente. Modifica geometria e aberrazioni.
46. Considerare rumore differente prova certa. HDR e denoising possono essere locali.
47. Applicare PRNU a un file troppo ridotto. Il risultato può essere privo di significato.
48. Usare poche foto PRNU di riferimento. La stima diventa debole.
49. Considerare mancata correlazione prova di altra fotocamera. Le trasformazioni possono cancellare il segnale.
50. Considerare correlazione PRNU identità personale. Riguarda il dispositivo o sensore.
51. Ignorare la fotografia computazionale. Può ricostruire parti camera-original.
52. Considerare modalità ritratto un normale singolo scatto. Può usare depth map e segmentazione.
53. Non acquisire Live Photo o motion photo. Si perde il contesto temporale.
54. Considerare C2PA garanzia di verità. Documenta provenienza dichiarata.
55. Considerare assenza C2PA prova di AI. Lo standard non è universale.
56. Non verificare la firma C2PA. La sola presenza del manifesto non basta.
57. Considerare watermark infallibile. Può essere perso o rimosso.
58. Considerare assenza watermark prova di immagine reale. Il generatore può non applicarlo.
59. Utilizzare un solo detector AI. Può non generalizzare.
60. Interpretare lo score come percentuale certa. Può essere non calibrato.
61. Non conoscere la classe positiva. Uno score elevato può indicare reale o sintetico.
62. Non registrare la soglia. La decisione non è riproducibile.
63. Non conservare i pesi. Il modello può cambiare.
64. Non calcolare l’hash del checkpoint. Non si identifica la versione.
65. Ignorare il domain shift. Il file social può differire dal training.
66. Non considerare crop e resize. Possono cambiare lo score.
67. Caricare contenuti riservati su detector pubblici. Si espongono dati personali.
68. Non conservare i termini del servizio. Il file potrebbe essere riutilizzato.
69. Presentare uno screenshot del detector come perizia. Mancano parametri e riproducibilità.
70. Sommare score di sistemi differenti. Le scale non sono necessariamente comparabili.
71. Considerare un ensemble concorde prova certa. I modelli possono condividere limiti.
72. Considerare la heatmap una maschera certa. Può evidenziare shortcut.
73. Considerare immagine AI e immagine manipolata equivalenti. Una può essere integrale, l’altra locale.
74. Confondere rendering 3D e fotografia AI. Sono categorie differenti.
75. Confondere filtro artistico e generazione integrale. Il file può partire da una foto reale.
76. Confondere ri-fotografia e scena reale. La fotocamera può aver ripreso uno schermo.
77. Confondere volto rappresentato e autore. La persona può essere vittima.
78. Attribuire il file dall’account. L’account può essere compromesso.
79. Attribuire intenzioni dalla sola modifica. La finalità non è codificata nei pixel.
80. Confondere autenticità tecnica e verità della scena. Una fotografia genuina può essere decontestualizzata.
81. Non indicare le fonti mancanti. La conclusione diventa fuorviante.
82. Scrivere “foto autentica” senza definire il termine. Occorre specificare cosa è stato verificato.
83. Scrivere “nessuna modifica” in termini assoluti. È preferibile indicare ciò che non è stato rilevato.
84. Formulare conclusioni giuridiche. Il perito deve rimanere nell’ambito tecnico.

133. Procedura operativa completa

Fase 1 — Autorizzazione

[ ] incarico;
[ ] titolare;
[ ] liceità;
[ ] quesito;
[ ] periodo;
[ ] privacy;
[ ] biometria;
[ ] limiti.

Fase 2 — Acquisizione

[ ] file;
[ ] dispositivo;
[ ] chat;
[ ] pagina;
[ ] account;
[ ] cloud;
[ ] versioni;
[ ] verbale.

Fase 3 — Conservazione

[ ] originale;
[ ] SHA-256;
[ ] copie di lavoro;
[ ] cifratura;
[ ] accessi;
[ ] registro.

Fase 4 — Identificazione

[ ] estensione;
[ ] firma;
[ ] formato;
[ ] dimensioni;
[ ] depth;
[ ] alpha;
[ ] profilo;
[ ] warning.

Fase 5 — Metadati

[ ] EXIF;
[ ] XMP;
[ ] IPTC;
[ ] MakerNotes;
[ ] ICC;
[ ] GPS;
[ ] thumbnail;
[ ] software.

Fase 6 — Provenienza

[ ] C2PA;
[ ] watermark;
[ ] account;
[ ] piattaforma;
[ ] RAW;
[ ] cloud;
[ ] cronologia.

Fase 7 — Struttura

[ ] segmenti JPEG;
[ ] chunk PNG;
[ ] IFD TIFF;
[ ] item HEIF;
[ ] WebP RIFF;
[ ] trailer;
[ ] dati incorporati.

Fase 8 — Analisi globale

[ ] compressione;
[ ] colore;
[ ] rumore;
[ ] CFA;
[ ] dimensioni;
[ ] resampling;
[ ] pipeline.

Fase 9 — Analisi locale

[ ] regione contestata;
[ ] bordi;
[ ] texture;
[ ] luce;
[ ] ombre;
[ ] riflessi;
[ ] rumore;
[ ] geometria.

Fase 10 — Manipolazioni

[ ] crop;
[ ] resize;
[ ] copy-move;
[ ] splicing;
[ ] insertion;
[ ] removal;
[ ] inpainting;
[ ] retouch.

Fase 11 — JPEG

[ ] quantizzazione;
[ ] doppia compressione;
[ ] griglia;
[ ] ghost;
[ ] ELA;
[ ] qualità;
[ ] segmenti.

Fase 12 — Sensore

[ ] PRNU;
[ ] CFA;
[ ] demosaicing;
[ ] rumore;
[ ] aberrazione;
[ ] immagini di riferimento.

Fase 13 — AI

[ ] generazione integrale;
[ ] modifica locale;
[ ] detector;
[ ] modello;
[ ] pesi;
[ ] soglia;
[ ] score;
[ ] localizzazione.

Fase 14 — Confronto

[ ] hash;
[ ] pixel;
[ ] metadati;
[ ] percettivo;
[ ] allineamento;
[ ] versioni;
[ ] sorgenti.

Fase 15 — Correlazione

[ ] dispositivo;
[ ] account;
[ ] chat;
[ ] cloud;
[ ] web;
[ ] file adiacenti;
[ ] timeline.

Fase 16 — Interpretazione

[ ] camera-original;
[ ] derivato;
[ ] manipolazione;
[ ] AI;
[ ] ri-fotografia;
[ ] decontestualizzazione;
[ ] alternative;
[ ] limiti.

Fase 17 — Relazione

[ ] materiale;
[ ] metodo;
[ ] strumenti;
[ ] risultati;
[ ] detector;
[ ] ipotesi;
[ ] conclusioni;
[ ] allegati.

134. Checklist finale

Provenienza

[ ] fonte più vicina;
[ ] dispositivo;
[ ] account;
[ ] chat o pagina;
[ ] RAW;
[ ] versioni;
[ ] timeline.

Integrità

[ ] SHA-256;
[ ] originali protetti;
[ ] copie di lavoro;
[ ] catena di custodia;
[ ] manifesto.

Formato

[ ] firma;
[ ] estensione;
[ ] dimensioni;
[ ] profilo;
[ ] profondità;
[ ] alpha;
[ ] warning;
[ ] struttura.

Metadati

[ ] EXIF;
[ ] XMP;
[ ] IPTC;
[ ] MakerNotes;
[ ] ICC;
[ ] GPS;
[ ] thumbnail;
[ ] C2PA.

Analisi fotografica

[ ] compressione;
[ ] rumore;
[ ] CFA;
[ ] PRNU;
[ ] resampling;
[ ] geometria;
[ ] luce;
[ ] riflessi.

Manipolazioni

[ ] copy-move;
[ ] splicing;
[ ] object removal;
[ ] insertion;
[ ] inpainting;
[ ] testo;
[ ] ritocco;
[ ] face swap.

AI

[ ] detector;
[ ] versione;
[ ] pesi;
[ ] hash;
[ ] dataset;
[ ] preprocessing;
[ ] soglia;
[ ] domain shift;
[ ] falsi positivi.

Privacy

[ ] minori;
[ ] contenuti intimi;
[ ] biometria;
[ ] minimizzazione;
[ ] cifratura;
[ ] accessi;
[ ] conservazione.

Relazione

[ ] fatti separati dalle deduzioni;
[ ] detector non presentato come certezza;
[ ] alternative considerate;
[ ] limiti indicati;
[ ] attribuzione prudente;
[ ] allegati verificabili.

135. Output minimo dell’accertamento

1. incarico;
2. verbale di ricezione;
3. registro dei reperti;
4. file originale;
5. hash SHA-256;
6. copie di lavoro;
7. identificazione del formato;
8. ExifTool TXT;
9. ExifTool JSON;
10. ImageMagick identify;
11. struttura del file;
12. dump esadecimale;
13. metadati EXIF;
14. metadati XMP;
15. metadati IPTC;
16. MakerNotes;
17. profilo ICC;
18. miniature;
19. coordinate GPS;
20. report C2PA;
21. report watermark;
22. file RAW;
23. preview RAW;
24. analisi JPEG;
25. quantization table;
26. analisi doppia compressione;
27. ELA orientativa;
28. analisi del rumore;
29. analisi CFA;
30. analisi PRNU;
31. analisi resampling;
32. analisi copy-move;
33. analisi splicing;
34. analisi object removal;
35. analisi geometrica;
36. analisi illuminazione;
37. analisi riflessi;
38. versioni di confronto;
39. differenze pixel-level;
40. hash percettivi;
41. modelli detector;
42. hash dei pesi;
43. ambiente software;
44. parametri;
45. output detector;
46. heatmap o maschera;
47. immagini di riferimento;
48. tabella comparabilità;
49. acquisizione web o chat;
50. timeline;
51. matrice delle evidenze;
52. matrice delle ipotesi;
53. relazione tecnica;
54. allegati;
55. manifesto hash.

136. Struttura della relazione tecnica

136.1 Incarico

• committente;
• quesito;
• autorizzazione;
• periodo;
• limiti.

136.2 Materiale

• file;
• dispositivo;
• account;
• fonte;
• versioni;
• hash.

136.3 Provenienza

• generazione;
• chat;
• pagina;
• cloud;
• RAW;
• C2PA;
• watermark.

136.4 Metodo

• strumenti;
• versioni;
• comandi;
• copie;
• modelli;
• parametri.

136.5 Formato e struttura

• formato;
• dimensioni;
• segmenti;
• chunk;
• profili;
• warning.

136.6 Metadati

• EXIF;
• XMP;
• IPTC;
• MakerNotes;
• GPS;
• thumbnail;
• date.

136.7 Analisi globale

• compressione;
• colore;
• rumore;
• CFA;
• pipeline;
• resampling.

136.8 Analisi locale

• regioni;
• bordi;
• texture;
• geometria;
• ombre;
• riflessi.

136.9 Analisi delle manipolazioni

• copy-move;
• splicing;
• insertion;
• removal;
• inpainting;
• ritocco.

136.10 Origine sintetica

• detector;
• C2PA;
• watermark;
• localizzazione;
• score;
• domain shift.

136.11 Confronti

• versioni;
• hash;
• pixel;
• percettivi;
• immagini di riferimento.

136.12 Ipotesi

• camera-original;
• derivato;
• manipolato;
• integralmente AI;
• localmente AI;
• ri-fotografato;
• decontestualizzato.

136.13 Limiti

• file sorgente assente;
• social;
• compressione;
• dispositivo non disponibile;
• campioni insufficienti;
• detector fuori dominio.

136.14 Conclusioni

Risposte tecniche proporzionate al quesito.

137. Modelli di frasi tecniche

1. Camera-original: “Il file presenta caratteristiche compatibili con le immagini prodotte dal dispositivo e dalla modalità dichiarati.”
2. File derivato: “Il reperto è una versione derivata e non consente di esaminare integralmente struttura e metadati della sorgente.”
3. Integrità: “L’impronta SHA-256 documenta l’identità binaria del file acquisito dal momento del calcolo.”
4. Limite dell’hash: “L’hash non dimostra l’assenza di modifiche anteriori all’acquisizione.”
5. Metadati: “I metadati riportano i valori indicati, che devono essere correlati con dispositivo, file system e fonti esterne.”
6. Data EXIF: “DateTimeOriginal non costituisce una marcatura temporale certificata.”
7. GPS: “Le coordinate presenti nel file non dimostrano autonomamente la posizione fisica del dispositivo al momento dello scatto.”
8. Software: “Il campo Software documenta l’applicazione dichiarata nel metadato e non identifica l’autore della modifica.”
9. Ricompressione: “Il file presenta caratteristiche compatibili con almeno una ricompressione successiva.”
10. Doppio JPEG: “Gli indicatori di doppia compressione documentano un precedente passaggio JPEG e non dimostrano autonomamente una manipolazione semantica.”
11. ELA: “L’ELA è stata utilizzata come tecnica esplorativa e non come localizzazione certa della modifica.”
12. Copy-move: “Le regioni presentano corrispondenze compatibili con una duplicazione interna, da valutare rispetto alle ripetizioni naturali della scena.”
13. Splicing: “La regione contestata presenta caratteristiche compatibili con l’inserimento da una fonte differente.”
14. Object removal: “La continuità ricostruita dello sfondo e le incoerenze locali risultano compatibili con una rimozione dell’oggetto.”
15. Generative fill: “L’area presenta caratteristiche compatibili con una ricostruzione generativa locale.”
16. PRNU positiva: “La correlazione osservata supporta la compatibilità col dispositivo di riferimento, nei limiti della metodologia e dei campioni.”
17. PRNU negativa: “La mancata correlazione non esclude la provenienza dal dispositivo, considerate le trasformazioni subite dal file.”
18. CFA: “La regione presenta una coerenza di demosaicing differente da quella osservata nel resto dell’immagine.”
19. Geometria: “La scala e la prospettiva dell’oggetto non risultano pienamente coerenti con il piano della scena.”
20. Illuminazione: “La direzione apparente dell’illuminazione differisce da quella osservata sugli elementi circostanti.”
21. Ombra: “L’assenza o la forma dell’ombra costituisce un elemento orientativo e richiede una ricostruzione della geometria e delle sorgenti luminose.”
22. Riflesso: “Il riflesso non risulta coerente con la presenza e la posizione dichiarate dell’oggetto.”
23. Immagine AI: “La convergenza degli elementi risulta maggiormente compatibile con una generazione artificiale rispetto a una normale acquisizione fotografica.”
24. Detector positivo: “Il modello ha prodotto uno score superiore alla soglia dichiarata per la classe sintetica; l’esito è riferito ai limiti del detector.”
25. Detector negativo: “La classificazione negativa non esclude generatori o trasformazioni non rappresentati nei dati di sviluppo.”
26. Score: “Lo score non è stato interpretato come probabilità automatica che il singolo file sia falso.”
27. Domain shift: “Formato, risoluzione e ricompressione differiscono dalle condizioni dichiarate per la validazione del modello.”
28. Detector discordanti: “I detector applicati hanno restituito risultati discordanti, compatibili con un limitato adattamento al caso.”
29. Heatmap: “La heatmap mostra le regioni maggiormente associate alla decisione del modello e non una maschera certa della manipolazione.”
30. C2PA valido: “Il manifesto C2PA risulta validamente associato al file e documenta le asserzioni di provenienza indicate.”
31. Assenza di C2PA: “L’assenza di Content Credentials non consente di stabilire se l’immagine sia naturale, modificata o sintetica.”
32. Watermark: “Il detector ufficiale ha rilevato la marcatura associata al sistema indicato, nei limiti della relativa implementazione.”
33. Ri-fotografia: “Il file è una fotografia reale di una rappresentazione preesistente e non documenta direttamente la scena mostrata.”
34. Screenshot: “Il reperto documenta il contenuto visualizzato sullo schermo, non il file originariamente rappresentato.”
35. Social: “La versione acquisita dalla piattaforma è stata ridimensionata e ricompressata e non rappresenta il camera-original.”
36. Identità della persona: “L’analisi di manipolazione dell’immagine è distinta dall’identificazione forense della persona rappresentata.”
37. Account: “L’immagine è stata pubblicata dall’account indicato, ma tale dato non identifica automaticamente chi ne controllasse le credenziali.”
38. Autore: “L’autore della modifica non può essere identificato sulla base dei soli pixel.”
39. Verità della scena: “La compatibilità tecnica dell’immagine non determina la veridicità fattuale dell’evento rappresentato.”
40. Nessuna anomalia rilevata: “Non sono stati rilevati indicatori tecnici non spiegati mediante le metodologie applicate; il risultato non esclude in termini assoluti ogni possibile modifica.”
41. Conclusione prudente: “Nei limiti del materiale disponibile, la convergenza degli elementi sostiene maggiormente l’ipotesi indicata, senza escludere le alternative tecnicamente plausibili descritte.”

138. Immagini e figure suggerite

139. Riferimenti tecnici e normativi esterni

1. SWGDE — Best Practices for Image Authentication
2. SWGDE — Guidelines for Forensic Image Analysis
3. SWGDE — Best Practices for Maintaining the Integrity of Imagery
4. ENFSI — Best Practice Manual for Digital Image Authentication
5. NIST AI 100-4 — Reducing Risks Posed by Synthetic Content
6. NIST Open Media Forensics Challenge
7. NIST GenAI Image Discriminator Evaluation
8. NTIRE 2026 Challenge on Robust AI-Generated Image Detection in the Wild
9. SAFE Image Authenticity Challenge
10. C2PA Technical Specification 2.4
11. CIPA — Exif Version 3.1 e Exif Metadata for XMP
12. Adobe — XMP Specifications
13. IPTC Photo Metadata Standard 2025.1
14. ExifTool
15. ImageMagick Identify e Compare
16. W3C — PNG Specification, Third Edition
17. Adobe — Digital Negative
18. AOMedia — AV1 Image File Format
19. Google — WebP Container Specification
20. Codice civile, articolo 2712
21. Legge 23 settembre 2025, n. 132
22. Commissione europea — Articolo 50 AI Act e Codice di buone pratiche
23. EDPB — Video devices e trattamento dei dati biometrici

140. Collegamenti interni consigliati

Capitolo precedente

• Analisi video deepfake e face swapping

Capitolo successivo

• Timeline forense e ricostruzione cronologica degli eventi

Capitoli correlati

• Triage iniziale della prova digitale a Roma
• Catena di custodia, hash e verbale tecnico
• Copia forense di hard disk, SSD, pendrive e NAS
• Analisi forense di computer Windows
• Analisi forense di macOS e Linux
• Acquisizione forense di smartphone Android
• Acquisizione forense di iPhone e iPad iOS
• Perizia WhatsApp: messaggi, vocali e allegati
• Telegram, Signal e app di messaggistica forensics
• Recupero dati cancellati per fini probatori
• Analisi forense di email e header
• PEC, ricevute, allegati e prova digitale
• PDF, firme digitali e marche temporali
• Metadati, EXIF, XMP, C2PA e provenienza dei file
• Verifica forense di screenshot e schermate
• Acquisizione di pagine web, social e contenuti online
• Diffamazione online, cyberbullismo, stalking digitale e revenge porn
• Accessi abusivi ad account email, social e cloud
• Truffe online, bonifici fraudolenti e financial cybercrime
• Analisi di log aziendali, firewall, VPN e sistemi cloud
• Incident response forense e ransomware
• Dipendente infedele, sottrazione dati e uso di USB
• Cloud forensics: Google, Microsoft, Dropbox e backup
• Autenticità audio: tagli, montaggi e ricodifiche
• Voice cloning e audio generati con intelligenza artificiale
• Autenticità video: frame, codec, tagli e montaggi
• Relazione tecnica, CTP informatico e contestazione delle prove digitali

141. Pagine servizio consigliate

/servizi/perizia-informatica-forense-roma/
/servizi/analisi-smartphone-computer/
/servizi/acquisizione-pagine-web-social/
/servizi/analisi-email-pec-documenti-digitali/
/servizi/consulente-tecnico-parte-informatico-roma/
/contatti/

Anchor text consigliati

perizia su immagini manipolate a Roma
analisi forense di una fotografia
verifica di autenticità fotografica
analisi di immagini generate con AI
perizia su foto modificate
verifica di copy-move e splicing
analisi PRNU di una fotografia
verifica EXIF e provenienza
analisi C2PA di un’immagine
perizia su deep nude
verifica di una foto WhatsApp
analisi di object removal e inpainting
confronto tra fotografia originale e modificata
consulente informatico forense per immagini a Roma

142. Box commerciale finale

Devi verificare una fotografia o un’immagine sospetta a Roma?

Lo Studio Quaranta Digital Forensics può supportare privati, aziende, professionisti, avvocati e studi legali nell’analisi tecnica di:

[ ] fotografie da smartphone;
[ ] immagini JPEG, PNG, TIFF, HEIC, AVIF e WebP;
[ ] file RAW e DNG;
[ ] fotografie WhatsApp;
[ ] immagini social;
[ ] screenshot;
[ ] documenti fotografati;
[ ] copy-move;
[ ] image splicing;
[ ] object removal;
[ ] object insertion;
[ ] generative fill;
[ ] deep nude;
[ ] immagini integralmente generate con AI;
[ ] metadati EXIF, XMP e IPTC;
[ ] PRNU e compatibilità col dispositivo;
[ ] Content Credentials C2PA;
[ ] output di detector automatici.

L’attività può comprendere:

• acquisizione del file e del dispositivo;
• calcolo hash;
• analisi del formato e della struttura;
• estrazione dei metadati;
• verifica di miniature e anteprime;
• analisi JPEG;
• studio del rumore e del CFA;
• valutazione PRNU;
• verifica geometrica e fotometrica;
• analisi di inserimenti e rimozioni;
• confronto tra versioni;
• verifica C2PA e watermark;
• detector locali documentati;
• acquisizione della pagina o della chat;
• timeline;
• relazione tecnica;
• supporto al legale e al CTP.

CTA principale: Richiedi una valutazione preliminare

CTA secondaria: descrivi l’immagine, la fonte e l’area contestata.

Avvertenza: evita di convertire, ritagliare, filtrare, migliorare o caricare l’immagine su detector pubblici prima di una valutazione tecnica. Conserva il file originario, il dispositivo, la chat, il RAW e tutte le versioni disponibili.

Lo Studio non garantisce:

• individuazione di ogni modifica;
• identificazione certa del generatore;
• attribuzione dell’autore;
• provenienza certa dal dispositivo;
• recupero dell’immagine originaria;
• esito processuale.

143. Conclusione del capitolo

L’autenticità di una fotografia non può essere determinata leggendo un solo tag EXIF o osservando una rappresentazione ELA.

Una corretta analisi deve ricostruire l’intera catena:

scena
→ lente
→ sensore
→ pipeline fotografica
→ formato
→ sviluppo
→ modifica
→ piattaforma
→ acquisizione forense
→ analisi

Ogni passaggio può:

• aggiungere metadati;
• eliminarli;
• modificare il rumore;
• introdurre ricompressione;
• alterare le dimensioni;
• trasformare i pixel;
• cancellare watermark;
• produrre falsi indicatori.

L’EXIF può descrivere un dispositivo, ma non costituisce una firma.

L’hash documenta l’integrità della copia, ma non la verità della scena.

Una doppia compressione documenta un passaggio JPEG, non necessariamente un montaggio.

L’ELA può orientare, ma non localizza con certezza una manipolazione.

La PRNU può supportare la compatibilità con un dispositivo, ma è sensibile alle trasformazioni.

C2PA può documentare una provenienza dichiarata, ma non garantisce la veridicità del contenuto.

Un detector può evidenziare caratteristiche statistiche, ma può fallire su generatori, crop, ricompressioni e piattaforme differenti.

Formula da ricordare: l’autenticità fotografica consiste nella compatibilità complessiva tra file, pixel, metadati, dispositivo, provenienza e storia dichiarata; ogni anomalia deve essere correlata e confrontata con spiegazioni alternative prima di essere interpretata come manipolazione.

Una relazione tecnicamente corretta deve indicare:

- quale file è stato acquisito;
- quale generazione rappresenta;
- quale dispositivo o piattaforma è dichiarata;
- quali metadati sono presenti;
- quali trasformazioni sono osservabili;
- quali metodi sono stati applicati;
- quali detector sono stati utilizzati;
- con quali versioni, pesi e soglie;
- quali risultati convergono;
- quali risultati sono discordanti;
- quali fonti non erano disponibili;
- quali alternative restano tecnicamente plausibili.

Non rilevare una manipolazione non significa dimostrare che nessuna modifica sia mai avvenuta.

Rilevare una ricompressione non significa dimostrare un inganno.

Rilevare un’anomalia non identifica automaticamente il processo o la persona che l’ha prodotta.

Il compito dell’informatica forense è trasformare affermazioni come:

“Questa fotografia sembra falsa”

in una valutazione:

• documentata;
• riproducibile;
• prudente;
• tecnicamente motivata;
• utile al legale e al decisore.

144. Anticipazione del capitolo successivo

Capitolo 29 — Timeline forense e ricostruzione cronologica degli eventi

Il prossimo capitolo tratterà:

• significato della timeline forense;
• fonti temporali;
• timestamp originali;
• UTC e ora locale;
• fusi orari;
• ora legale;
• clock drift;
• NTP;
• precisione e granularità;
• file system;
• Windows Event Log;
• Linux journal;
• smartphone;
• email;
• chat;
• cloud;
• browser;
• GPS;
• log firewall;
• DHCP;
• VPN;
• fotografie;
• audio e video;
• event time;
• ingest time;
• processing time;
• export time;
• normalizzazione;
• deduplicazione;
• correlazione;
• ordinamento;
• intervalli;
• eventi mancanti;
• false precisioni;
• timeline dinamiche;
• Plaso e log2timeline;
• Timesketch;
• timeline CSV;
• super timeline;
• casi pratici ambientati a Roma;
• formule tecniche prudenti;
• struttura della relazione;
• limiti nell’attribuzione cronologica.