May, 2018

通过学习自一致性进行图像拼接检测以对抗假新闻

PDF
TL;DR我们提出了一种使用实际照片训练的学习算法，利用自动记录的照片 EXIF 元数据作为监督信号来检测视觉图像操纵，较于传统方法具有更好的性能，此方法可以被用于图像拼接定位和图像取证方面。
image manipulation detectionexif metadataself-consistency modelimage splices localizationvisual forensics
发现论文，激发创造
  • 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

  • AutoSplice: 一份文本操作图像数据集，用于媒体取证

    本研究旨在调查语言 - 图像模型对媒体取证的挑战水平。为此，我们提出了一种新方法，利用 DALL-E2 语言 - 图像模型自动生成和拼接由文本提示引导的遮蔽区域，并生成包含 5,894 个经过操作和真实图像的新图像数据集 AutoSplice。利用该数据集进行图像篡改检测和定位实验，结果表明，大多数媒体取证模型难以识别 AutoSplice 数据集，但使用微调模型可以取得更好的效果。

    Apr, 2023

  • 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

  • 弱监督自洽学习的通用图像篡改检测

    通过弱监督学习方式，本文提出了一种基于自一致性学习的弱监督图像篡改检测方法，该方法通过学习多源一致性和跨补丁一致性来改进图像篡改检测的泛化能力和篡改区域的定位效果，实现了与全监督方法相媲美的性能表现。

    Sep, 2023

  • 基于自一致性的深度伪造检测学习

    本文提出了一种使用源特征不一致性来检测 deepfake 图像的新方法，基于示例表明我们的方法相较于现有技术平均 AUC 提升从 96.45％至 98.05％，在跨数据集评估中提升从 86.03％至 92.18％。

    Dec, 2020

  • 生成、分割与细化：通向通用操作分割

    本研究提出一种图像生成过程来创建真实的操纵图像样本，从而解决当前缺乏标签数据的问题，该方法利用图像混合等传统工作并提出新型生成器，在训练中强制算法关注边界伪影，并取得了强有力的实验结果。

    Nov, 2018

  • 探索篡改检测中的显著性偏见

    通过分析流行的图像操纵数据集中的视觉和语义显著趋势及其对检测的影响，我们提出了一个框架，以促进语义感知的法庭取证方法的进一步发展，从而了解视觉误导现象。

    Feb, 2024

  • 揭示可普遍适用的深伪冒检测中的常见不一致性

    我们提出了一种基于帧不一致性的检测方法，通过捕捉真假视频之间普遍存在的不一致性来区分跨多个领域的真实和伪造视频的时域一致性，实验证明了我们方法在未见过的 Deepfake 领域具有泛化能力。

    Nov, 2023