CVPRMay, 2018

学习图像篡改检测的丰富特征

PDF
TL;DR本篇论文提出了一种基于两个流的 Faster R-CNN 网络，旨在检测被篡改图像中的篡改区域，其中一个流从 RGB 图像输入中提取特征，以发现强对比度差异、人为篡改边界等篡改痕迹。另外一个流通过从隐写分析模型过滤层提取的噪声特征，发现真实区域与篡改区域之间的噪声不一致性，并通过双线性池化层融合两个模态的空间共现特征。实验结果表明，该模型性能优于单个模态，且在大小调整和压缩容忍性方面具有最先进的性能。
发现论文，激发创造
  • 基于双流神经网络的人脸篡改检测

    本文提出了一种用于人脸篡改检测的两路网络，其中使用 GoogLeNet 来检测人脸分类流中的篡改伪影，并使用基于贴片的三元组网络作为第二路以利用捕获当地噪声残留和相机特征的特征。此外，本文通过两个不同的在线人脸交换应用程序创建了一个新的数据集，其中包含 2010 张篡改图片，每张图片都包含一个篡改过的人脸。实验结果表明了我们所提出的两路网络的有效性。

    Mar, 2018

  • 约束的 R-CNN：一个通用的图片篡改检测模型

    提出了一种名为 Constrained R-CNN 的分层架构，它具有可学习的操纵特征提取功能，实现了对图像操纵的完整和准确的检测，学术实验表明该模型性能达到了最高水平。

    Nov, 2019

  • 检测和分割篡改人脸图片和视频的多任务学习

    本文设计了一个使用多任务学习方法的卷积神经网络用于同时检测和定位查询的篡改图像和视频以及使用半监督学习方法来提高网络的泛化能力，实验表明该网络对面部重现攻击和面部交换攻击很有效，并能处理以前从未见过的攻击。

    Jun, 2019

  • 用于图像篡改检测和定位的 ObjectFormer

    该研究论文提出 ObjectFormer 方法，结合高频特征和 RGB 特征提取图像信息并采用可学习的对象原型来模拟区域之间的一致性，实现了图像篡改检测和定位，其效果优于现有的方法。

    Mar, 2022

  • 社交媒体时代图像篡改检测的有效性

    本研究通过深度学习和基于学习的方法，对图像篡改检测进行了深入分析，在标准数据集上评估了它们的性能；提出一种新颖的基于深度学习的预处理技术，用于强调篡改区域中的异常，通过加强篡改区域中的异常，提高了不同检测算法的性能，降低了在非篡改区域中的误检率，最后提供一个开源的篡改检测工具包。

    Apr, 2023

  • 多视角多尺度监督图像篡改检测

    本研究提出了一种新的网络 MVSS-Net，通过多视角特征学习和多尺度监督，从噪声分布和边界伪影等方面解决了图像操作检测中的敏感性和特异性问题，并在五个基准测试集上进行了广泛实验验证。

    Apr, 2021

  • 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

  • 面部篡改的深度检测

    本文提出了一种基于深度学习的人脸操作检测方法，包括特征提取和二进制分类两个阶段，并采用三元组损失函数来更好地区分真实面孔和伪造面孔，实验结果表明该方法的性能大多数情况下优于现有技术。

    Sep, 2020

  • 利用重采样特征和深度学习进行图像伪造的检测和定位

    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。

    Jul, 2017

  • 关于数字人脸篡改的检测

    利用注意机制改善学习到的特征图，提高二分类（真实脸或伪造脸）的准确性和可视化处理后的伪造部位，通过大规模数据库的实验，证明了注意机制在人脸伪造检测和定位的有效性。

    Oct, 2019