Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Опубликована: 27 сен 2026

Ссылки

claim-photo-integrity-detector-v1

Классификация изображенийИзображение → label

Классификатор ViT определяет, является ли фотография подлинным снимком или изображением, созданным ИИ, для первичной проверки страховых заявлений.

3 244скачиваний за 30 дней0лайковвеса обновлены8 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Claim Photo Integrity Detector v1 — классификатор изображений на архитектуре Vision Transformer (ViT), разработанный для проверки подлинности фотографий в страховых заявлениях. Модель различает реальные снимки с камеры и синтетические изображения, созданные ИИ; её предлагают использовать для первичной проверки фотографий перед оценкой ущерба или прогнозом полной гибели автомобиля.

Модель содержит 113,2 млн параметров и дообучена с двухклассовой классификационной головой на базе google/vit-base-patch16-224. Для обучения использовалась сбалансированная часть Defactify Image Dataset: реальные фотографии MS-COCO и изображения генераторов Stable Diffusion 2.1, SDXL, SD 3, DALL·E 3 и Midjourney v6. Принимает изображение и выдаёт классы real и ai_generated с оценками уверенности. Лицензия — Apache-2.0.

Модель обучена на общих сценах, а не на фотографиях повреждений автомобилей. Её точность может снижаться на изображениях от более новых генераторов; результат следует считать сигналом для сортировки заявок, а не юридическим доказательством мошенничества.

Сценарии применения

проверка фотографий страховых заявлений на изображения, созданные ИИ
первичная сортировка материалов по страховым случаям до оценки ущерба
выявление синтетических изображений среди фотографий для урегулирования убытков

Ограничения

Обучена на общих сценах, а не на фотографиях повреждений автомобилей; качество может снижаться на изображениях от генераторов, появившихся после обучающих данных. Оценка модели служит сигналом для проверки человеком и не является юридическим доказательством мошенничества.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Looking for AI-edit detection and tamper heatmaps? See Car Damage Photo Integrity v9 for image forgery localization in car-damage photos.

This repository retains its original checkpoint and inference instructions.

Claim Photo Integrity Detector

Detects whether a photo is an authentic camera photograph or an AI-generated synthetic image. Built for insurance claim workflows: verify photo integrity before damage severity assessment or total-loss prediction (trust-first FNOL triage).

Usage

from transformers import pipeline
pipe = pipeline("image-classification",
                model="obuladinnesai/claim-photo-integrity-detector")
pipe("path/to/claim_photo.jpg")
# -> [{'label': 'real', 'score': 0.97}, {'label': 'ai_generated', 'score': 0.03}]

Training

Base model: google/vit-base-patch16-224, fine-tuned with a 2-class head
Data: balanced subset of the Defactify image dataset (real MS-COCO photos vs images from SD 2.1, SDXL, SD 3, DALL-E 3, Midjourney v6)
See training script for exact config and metrics

Limitations

v1 is trained on general scenes, not damage photos specifically. A damage-specialized v2 (fine-tuned on real vs manipulated claim photos) is planned.
Like all AI-image detectors, accuracy degrades on generators newer than the training data.
Not a legal proof of fraud — a triage signal for human adjusters.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: ViTForImageClassification
Ревизия весов: ed02408