May, 2017

深度匹配和验证网络 -- 一种约束图像拼接定位和检测的端到端解决方案

PDF
TL;DR本文提出了一种名为 Deep Matching and Validation Network（DMVN）的新型深度卷积神经网络架构，该方法可以同时定位和检测图像拼接，不依赖于手工特征，并使用原始输入图像创建深度学习表示，通过端到端优化产生概率估计和分割掩模，通过广泛的实验表明，此方法在 AUC 得分和速度方面都大大优于现有的拼接检测方法。
image splicingsplicing detectionlocalization algorithmdeep convolutional neural networkend-to-end optimization
发现论文，激发创造
  • 基于全新高效计算框架和新图像拼接数据集的有效图像取证

    提出了一种新颖的拼接检测数据集和轻量级的时域压缩拼接检测框架，该框架在拼接检测方面具有较高的准确性和较低的计算成本，并在提出的数据集和 CASIA v2.0 数据集上取得了优于现有方法的最佳模型准确率为 0.9382。

    Jan, 2024

  • SpliceRadar: 一种用于盲目图像取证的学习方法

    本文提出了一种基于深度学习的图像拼接定位方法，它可以在不需要测试图像的相机型号先验知识的情况下定位拼接区域，并在大规模未被篡改的相机标记图像数据库上进行训练。在三个测试数据库上的实验结果表明，该方法在现有最先进技术水平的基础之上具有相当的效果和良好的泛化能力。

    Jun, 2019

  • 使用多任务全卷积网络（MFCN）进行图像拼接定位

    本文提出一种利用全卷积网络 (FCN) 实现图像拼接攻击定位的技术。采用单任务 FCN (SFCN) 并利用表面标签进行训练，但在某些情况下输出的定位结果粗糙。因此，作者提出采用多任务 FCN (MFCN)，其中利用两个输出分支进行多任务学习。实验结果表明，SFCN 和 MFCN 学习到的模型都能优于现有拼接定位算法，并且 MFCN 比 SFCN 具有更高的定位精度。

    Sep, 2017

  • 一种用于图像拼接定位的多流融合网络

    本文提出了一种多流网络架构，该架构使用编码器 - 解码器架构，由多个编码器流组成，分别处理篡改图像或手工制作的信号，从而独立地捕获每个信号的相关信息，并在架构的瓶颈处融合多个流的特征，并传播到生成输出定位图的解码器网络，以解决图像拼接定位问题，并在公共取证数据集上取得了具有竞争性的性能和最先进的结果。

    Dec, 2022

  • 深度学习融合技术中的对手攻击

    本文通过构建一个新的算法实现了对基于深度学习的三种拼接定位工具（EXIF-SC、SpliceRadar、Noiseprint）进行对抗样本攻击的可行性，并发现这些攻击是具备可迁移性的，可以降低它们的定位性能。

    Apr, 2020

  • 基于自然图像统计特征的拼接图像检测算法研究

    基于自然图像的统计特征，本文介绍了一种用于提高图像篡改检测精确度和效率的新的拼接图像检测算法，该算法通过整合先进的统计分析技术和机器学习方法构建了一个检测框架，并在多个公共数据集上进行了验证，显示出在检测拼接边缘和定位篡改区域方面具有高准确性和良好鲁棒性，此外，还探讨了算法在实际场景中的潜在应用和面临的挑战。此研究不仅为图像篡改检测领域提供了一种有效的技术手段，而且为未来相关研究提供了新的思路和方法。

    Apr, 2024

  • 多尺度针对约束图像拼接检测与定位的框架

    我们提出了一个多尺度目标感知框架，用于在统一的流程中进行特征提取和相关匹配，以实现检测和定位图像拼接操作，通过协同学习相关图像块，促进特征学习和相关匹配的相互促进，并且通过引入多尺度投影方法来处理比例变换，该方法在多个基准数据集上优于现有的方法，并且对比例变换具有鲁棒性。

    Aug, 2023

  • MVSS-Net：用于图像篡改检测的多视角多尺度监督网络

    本文介绍了一种新颖的多视角深度学习方法 MVSS-Net 和其增强版 MVSS-Net++，通过同时利用图像临界位置和输入图像的噪声视图进行特征学习，可实现对图像的普适性篡改检测，并通过实验显示表现优秀，且在 JPEG 压缩、高斯模糊和截屏重拍等情况下更具鲁棒性。

    Dec, 2021

  • 全可训练的深度匹配

    本文介绍了一种将 Deep Matching 算法重写为卷积神经网络的新方法，该方法采用了一些新的层类型，并具有 U 形拓扑结构，从而实现了端到端的训练，并得到了更好的图像匹配性能。

    Sep, 2016

  • 基于神经网络的非受限音频拼接检测和定位

    本研究提出使用 Transformer 序列到序列 (seq2seq) 网络进行音频篡改检测和定位，通过评估结果显示该方法优于现有的专用方法和通用网络。

    Jul, 2022