该研究提出了一种新颖的端到端图像复制移动伪造检测框架，它结合了传统和深度学习方法的优势，利用高分辨率尺度提取特征进行源和目标区域的明确可靠点对点匹配，并提出了一种新型的成对排序学习框架来分离源和目标区域，取得了显著的泛化能力和优于现有方法的检测性能。

Apr, 2024

提出了一种集成传统和深度方法优点的端到端复制移动伪造检测（CMFD）框架，其中包括了深度跨尺度补丁匹配方法和操作区域定位分支，通过从高分辨率尺度提取特征，寻求源区域和目标区域之间的明确可靠的点对点匹配，证明了该方法对不同的复制移动内容具有高度的适应性和显著优于现有方法的性能。

Aug, 2023

本文研究了复制移动伪造（copy-move forgery）的检测算法和处理步骤的性能表现，利用 15 种不同的特征集进行分析以实现检测，在切实的数据集和软件框架上进行实验表明基于关键点的特征集合（如 SIFT 和 SURF）以及基于块的特征集合（如 DCT，DWT，KPCA，PCA 和 Zernike 等）在不同的噪声源和下采样情况下表现良好，并能可靠识别复制区域。

Aug, 2012

本文提出了过量关键点提取策略以克服遗漏检测，使用分组匹配算法加速匹配过程，引入新的迭代伪造定位算法以快速形成像素级定位结果并确保较低虚警。广泛的实验结果表明，我们的方案在克服遗漏检测和虚警方面具有卓越性能。

Jun, 2024

该研究介绍了一个视频复制检测和定位的数据集、基准和挑战，该基准旨在评估方法，模拟真实场景，并提出了一个同时反映检测和定位精度的度量标准。相关的挑战包括两个对应的跟踪器，通过实现代码可供评估和基线，并公开了数据集、基线方法和评估代码，将在专门的 CVPR’23 研讨会上讨论。

Jun, 2023

基于图像鉴定的副本移动伪造检测算法使用了基于 SIFT 的关键点算法和熵图像来提高算法性能和时间效率。

Dec, 2023

该论文提出了一种在密集场景中进行实时异常检测和定位的方法，在该方法中，视频被定义为非重叠立方块的集合，并使用两个本地和全局描述符进行描述。我们利用简单和经济实惠的高斯分类器来区分正常活动和异常活动，并根据相邻块之间的结构相似性和无监督学习的特征来确定本地和全局特征。大量实验结果表明，该算法优于 UCSD ped2 和 UMN 基准的最新方法，而且具有更高的时间效率。我们的实验结果证明了我们的系统可以在视频中发生异常时可靠地检测和定位异常。

Nov, 2015

本文提出了一种全面解释的视频法医方法，旨在暴露 DeepFake，通过建模视频中多个特定空间位置的时间运动来提取强大而可靠的表示形式，称为 Co-Motion Pattern，该方法具有优越的可解释性和充分的鲁棒性。

Aug, 2020

本论文提出了一种基于 Patchmatch 的深度学习光流方法，通过传播和局部搜索获得高精度结果，并提出了一种新的反向传播方法来减少计算复杂度，实验证明该方法在 KTTI2015 基准测试上排名第一，在 Sintel 干净基准测试上排名第二，以较少的内存消耗在高分辨率数据集 DAVIS 上得到良好的细节保留结果。

Apr, 2022

本文提出了一种新的使用 Transformer 结构的端到端深度神经网络方法，旨在检测复制移动伪造的实例，同时定位源和目标区域。通过使用这种方法，我们解决了多对象复制移动场景所提出的挑战，并报告了检测和区分任务之间的平衡情况，并在不同的数据集中应用了模型转移。

May, 2023