Aug, 2021

学习 JPEG 压缩伪迹用于图像篡改检测和定位

PDF
TL;DR通过使用卷积神经网络 (CNN) 和离散余弦变换 (DCT) 系数，本文提出了一种用于本地化检测图像篡改的方法，并介绍了 Compression Artifact Tracing Network (CAT-Net)。CAT-Net 与传统方法和基于深度神经网络的方法相比，在检测和本地化篡改区域时具有更好的性能。
发现论文，激发创造
  • 利用卷积神经网络去除压缩伪影

    本文证明，通过结合残差学习、skip architecture、对称权重初始化，可以在较短的时间内单步训练 8 层卷积神经网络 (CNN)，并且相比较之前使用的小型网络和其他最先进方法，这种网络可以显著提供更好的 JPEG 压缩噪点减少的重构质量。我们通过评估三种不同的目标、相对于训练数据集大小的泛化和相对于 JPEG 质量水平的泛化来认识 JPEG 去噪中的 CNN。

    May, 2016

  • DMCNN: 双域多尺度卷积神经网络用于压缩伪影去除

    本文提出一个 Dual-domain Multi-scale CNN (DMCNN) 用于降噪 JPEG 格式图像，在此基础下扩充了网络的感受野，通过像素和 DCT 域的冗余性进一步提高了输出图像的质量，并在实验中取得了新的技术优势。

    Jun, 2018

  • 学习单个模型，处理多种 JPEG 图像失真质量问题

    本研究提出了一种高度稳健的压缩伪像去除网络，它是单模型方法，能够训练处理广泛范围的质量因素，并始终提供优秀或相当的图像伪像去除性能。该网络非常有效地利用了量化表作为训练数据的一部分，并具有两个并行分支，一个用于本地伪像去除，另一个用于提取整个图像的全局特征，特别适用于全局伪像去除。大量实验证据表明，本提案的单模型方法非常有效地用于从解码图像中去除压缩伪像。

    Sep, 2020

  • 基于多域卷积神经网络的 JPEG 双重压缩定位

    本研究使用卷积神经网络对单重或双重 JPEG 压缩进行分析，以达到可靠地定位被伪造区域的目的，是图像取证领域的最新解决方案之一。

    Jun, 2017

  • 多模态深度网络用于 JPEG 伪影降噪

    本文提出一种基于多模态融合学习的文本引导下的 JPEG 压缩伪影降低方法，通过从全局和局部角度融合图像和文本语义特征，并基于对比学习构建对比损失函数，能够在极低码率下有效降低 JPEG 压缩伪影。经过实验证明，该方法能够获得比现有技术更好的降低伪影效果。

    May, 2023

  • 一种用于检测双重 JPEG 压缩的多分支卷积神经网络

    本文提出了一种使用 JPEG 图像的 DCT 系数作为输入的 CNN 解决方案来检测双 JPEG 压缩的方法，并且相对于以往方法具备端到端的检测能力。

    Oct, 2017

  • CAS-CNN：一种深度卷积神经网络用于图像压缩伪影抑制

    本研究提出了一种新型的 12 层深度卷积神经网络，用于图像压缩伪影抑制，其具有分层跳过连接和多尺度损失函数。相较于普通的 JPEG，可提高高达 1.79 dB 的峰值信噪比，并且相较于先前最佳 ConvNet 结果提高高达 0.36 dB。该研究表明，训练用于特定质量因子 (QF) 的网络对于压缩输入图像所使用的 QF 是有韧性的，单个针对 QF 60 训练的网络在多种 QF 范围内 (40 至 76) 提供超过 1.5 dB 的 PSNR 增益。

    Nov, 2016

  • 深度卷积网络降低压缩伪影

    该研究提出了一种基于深度卷积网络的紧凑高效方法来无缝地衰减不同压缩引起的复杂压缩伪影，同时展示了在多个现实场景下该方法的优越表现和适用性。

    Apr, 2015

  • 深度卷积网络用于压缩伪影降噪

    通过深度卷积网络的成功在超分辨率方面的成功，该论文提出了一种紧凑有效的网络，用于无缝衰减不同类型的压缩伪影，并证明使用传输学习和易于困难学习的思想可以在低级别视觉问题中实现出色的性能。

    Aug, 2016

  • 使用离散余弦变换的深度卷积神经网络进行失真鲁棒图像分类

    本文提出一种基于离散余弦变换的 DCT-Net 模块，可用于改善卷积神经网络 (CNN) 在面对包括高噪音、模糊等多种苟且不净的图像质量下的分类表现。通过丢弃高频信息，DCT-Net 能够在训练和测试过程中自适应地适应各种扭曲情况，仅需盲目一次训练即可用于未知的图像失真情况，结果表明 DCT-Net 在 CIFAR-10/100 和 ImageNet 测试数据集上具有更好的分类准确性。

    Nov, 2018