Jul, 2017

利用重采样特征和深度学习进行图像伪造的检测和定位

PDF
TL;DR本文提出了两种基于采样特征和深度学习的图像篡改检测和定位方法，分别基于 Radon 变换和 LSTM 网络，随机行走分割和高斯条件随机场模型用于图像热图创建和篡改区域定位，实验证明两种方法均能有效检测和定位数字图像伪造。
发现论文，激发创造
  • 基于混合 LSTM 和编码器 - 解码器架构的图像伪造检测

    本文提出了一种基于图像局部特征和深度学习的高置信度图像篡改检测和定位算法，通过利用重采样特征、长短期记忆单元和编码器 - 解码器网络实现了对篡改区域和非篡改区域的有效分割定位，提出的方法能够在像素级非常准确地定位图像篡改。

    Mar, 2019

  • HRFNet：高分辨率伪造网络用于定位卫星图像操纵

    现有的高分辨率卫星图像伪造定位方法都依赖于基于块或基于降采样的训练，而这两种方法都存在一些缺陷，例如伪造区域和原始区域之间的边界不准确以及生成不需要的伪影等。为了解决上述挑战，受高分辨率图像分割技术的启发，我们提出了一种名为 HRFNet 的新型模型，能够有效地定位卫星图像中的伪造。具体来说，我们的模型配备了浅层和深层分支，可以在全局和局部方式上成功地结合 RGB 和重采样特征，从而更准确地定位伪造。我们进行了各种实验来证明我们的方法在性能方面最佳，同时与现有方法相比并不牺牲内存需求和处理速度。

    Jul, 2023

  • 将基于残差的局部描述符重构为卷积神经网络：一种应用于图像伪造检测的方法

    本文研究了基于图像噪声残留的局部描述符在图像取证领域，如伪造检测和定位方面的应用。通过将这种基于残留的描述符类看作简单的受约束的卷积神经网络（CNN），我们在相对较小的训练集上进行微调，松弛约束，获得了与传统检测器相比显著的性能提升。

    Mar, 2017

  • 利用图像残差检测补丁对抗攻击

    本文介绍了一种基于图像残差的对抗样本检测算法，特别设计用于防范基于补丁的攻击。使用小波域算法对图像进行去噪并用判别器区分干净和对抗样本的差值被作为图像残差，我们证明了被获取的残差可以作为对抗攻击的数字指纹。该检测方法对之前未见的攻击方法具有一定的普适性，可以减小自适应攻击者的攻击成功率，但需要更大的计算量。

    Feb, 2020

  • 深度图像合成与图像伪造

    图像伪造是一个多年来一直被研究的课题，深度学习的突破对图像伪造检测产生了重大影响，我们使用先进的图像合成深度学习模型自动化数据生成，生成接近真实操作的拼接图像，通过对生成的数据集进行测试，我们证明其对现有数据集的预测性能较低，即我们生成了更难检测的逼真图像。

    Apr, 2024

  • RFDforFin：对 GAN 生成的指纹图像的鲁棒深度伪造检测

    我们提出了首个用于指纹图像的深度伪造检测方法，结合了指纹的唯一脊线特征和 GAN 生成图像的生成痕迹特征，通过二分类（真实或伪造）将二者结合起来，实验结果表明这种方法具有低复杂度和较好的有效性。

    Aug, 2023

  • 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

  • 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

  • 基于重新压缩的 JPEG 篡改检测与定位：利用深度神经网络消除压缩因子依赖

    本研究通过使用基于重压缩的伪造检测方法，利用卷积神经网络架构检测 JPEG 图像中的重压缩伪造，并成功定位了图像操纵的区域。实验证明，该方法在伪造检测和定位的准确性方面优于现有技术。

    Jul, 2024

  • 图像反取证的深度图像恢复

    本研究旨在改进图像质量并通过深度图像恢复模型增强伪造图像的检测难度，同时测试深度学习方法与非深度学习方法在现有图像篡改检测模型上的效果，结果显示现有图像伪造检测模型无法对所提出的方法进行有效检测。

    May, 2024