介绍一种新的数字图像取证方法，称为 “取证相似性”，可以确定两个图像图块是否包含相同的取证痕迹或不同的取证痕迹。该方法使用基于卷积神经网络的特征提取器和三层神经网络组成的系统来计算图像汇总所包含的同一或不同取证痕迹的相似性得分，实验证明其可应用于各种取证痕迹，不需要事先了解特定痕迹的知识。该系统在检测相机型号、图像编辑和操作参数方面，表现出优异的性能和应用前景。
Feb, 2019
本文提出了一种通过局部关系学习来检测面部伪造的新方法，其中使用了多尺度补丁相似性模块 (MPSM) 来测量局部区域特征的相似性，并形成了一个强大且泛化的相似性模式。此外，本文提出了 RGB-Frequency Attention Module (RFAM) 来融合 RGB 和频率领域的信息进行更全面的局部特征表示，进一步提高了相似性模式的可靠性。广泛的实验证明了该方法在广泛使用的基准测试中始终优于最先进的技术。此外，详细的可视化展示了我们方法的鲁棒性和可解释性。
May, 2021
图像伪造检测的新方法 FOrensic ContrAstive cLustering (FOCAL) 基于对比学习和无监督聚类，通过像素级对比学习指导高级取证特征提取，使用实时无监督聚类算法将学习到的特征聚类为伪造 / 原始类别，并通过特征级连接进一步提高检测性能，对六个公共测试数据集进行广泛实验证明了 FOCAL 明显优于现有竞争算法。
Aug, 2023
本论文提出一种卫星图像伪造检测和定位算法，使用生成对抗网络（GAN）学习卫星图像的特征表征，并将一类支持向量机（SVM）用于训练和检测图像伪造。
Feb, 2018
本文提出了一种基于协同特征学习的方法，用于同时检测图像篡改和分割篡改组件，此方法可以更好地捕捉人脸区域的人工痕迹，并且在检测和分割方面均优于现有方法。
Apr, 2023
本文提出了一种新的端到端的框架 Contrastive Multi-FaceForensics (COMICS)，通过双粒度对比学习方法，在多脸伪造检测方面取得了显著的性能提升，并显示了与其他对手方法相比较大的潜力，适用于多种架构。
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
在图像伪造不断更新的现今，卷积神经网络和自编码结构的 Forensic-Transfer 方法可以提高图像伪造检测的可迁移性并显著提高性能。
Dec, 2018
提出了一种基于 Transformers 的图像伪造定位方法 TransForensics，结合密集自注意力编码器和密集校正模块用于模拟全局上下文和不同尺度下的本地补丁之间的所有成对相互作用，该方法不仅可以捕捉有区分性的表示并获得高质量的蒙版预测，而且不受篡改类型和补丁序列顺序的限制，在主要基准测试中表现优于现有的现有方法。
Aug, 2021
本文研究在带有局部性质的图中恢复社区的问题，提出了一种算法，它在测量数量上近线性，并且能够实现恢复的信息理论限制。
Feb, 2016