ICCVAug, 2021

BioFors: 一个大型生物医学图像取证数据集

PDF
TL;DR本研究提出 BioFors 数据集，用于基于图像的生物医学研究文件的篡改检测。该数据集分为四类图像，并针对外部复制检测、内部复制检测和剪切 / 锐变检测提出了三种任务，对其中的所有任务进行了测试并评估了现有算法的表现。结果表明，现有的算法在应用于生物医学图像时不够强大，需要更多的研究来解决生物医学图像取证领域的独特挑战。
media forensicsbiomedical image forensicsbenchmark datasetsforensic analysisstate-of-the-art algorithms
发现论文，激发创造
  • FaceForensics：一种用于在人脸中检测伪造的大规模视频数据集

    通过引入新的半百万级别的面部操作数据集，本文提出了对诸如经典图像取证分类、分割、以及众多优化方法进行基准测试、鉴定的处理任务，包括压缩不同质量级别下的视频，并达到超越现有所有视频操纵数据集一个数量级的状态，旨在通过根据目标制作难以区分的赝品来进行基准评估。

    Mar, 2018

  • OpenForensics 大规模人脸伪造检测与野外分割数据集

    本文针对社交媒体中伪造脸部的困扰，进行了综合研究，首次创建了一个大规模数据集 OpenForensics，并利用其丰富注释，评估了各种情景下的最新实例检测和分割方法的效果，以推动深度伪造的预防和人脸检测等方面的研究。

    Jul, 2021

  • TrainFors: 图像操纵检测和定位的大型基准训练数据集

    我们提出了一个标准化的基准训练数据集，用于图像拼接、复制移动伪造、去除伪造和图像增强伪造的 IMDL 任务，并对现有 IMDL 数据集的问题进行了修改。我们还在我们提出的 TrainFors1 数据集上对最先进的 IMDL 方法进行了训练，以公平评估并报告了这些方法在类似条件下的实际性能。

    Aug, 2023

  • DeeperForensics-1.0: 用于现实世界人脸伪造检测的大规模数据集

    本文介绍了一个大规模人脸伪造检测基准 DeeperForensics-1.0，由新提出的端到端人脸交换框架生成。它包含 60,000 个视频和 17.6 万帧，是同类现有数据集的十倍大。该基准集有一个隐藏的测试集，包含了通过对真实视频进行广泛应用的方法制造的高欺骗得分的操作视频，并评估了五个代表性的检测基线并进行了彻底分析。

    Jan, 2020

  • MedFMC：医学图像分类基础模型适应实际数据集与基准测试

    本文旨在研究如何将基础模型应用于医学图像分类，并提出一种新的数据集和评估基准来检查基础模型在一组不同真实世界临床任务上的总体表现。

    Jun, 2023

  • FaceForensics++: 检测篡改的面部图像学习

    本文对当前合成图像生成和处理技术的发展进行了探讨，并提出了一个基于 DeepFakes，Face2Face，FaceSwap 和 NeuralTextures 的面部操作检测基准，包括超过 180 万个操纵图像的数据库，并通过数据驱动型假冒检测器的详尽分析证明了使用额外领域特定知识的方法能够显著提高假冒检测的准确性。

    Jan, 2019

  • ForgeryNet: 一款综合性假冒分析的多用途基准测试

    构建了最大的公共面部伪造数据集 ForgeryNet，涉及 2.9 百万张图片和 221,247 个视频，在图像和视频级数据上包含 4 个任务：图像伪造分类、空间伪造定位、视频伪造分类、和时间伪造定位，提供了对面部鉴定算法的完整评价。

    Mar, 2021

  • 在社交网络上上传 / 抓取大型图像数据集的创新工具

    通过一种自动化工具的方式，提出了一种自动上传并下载整个图像数据集到目标数字平台的方法，从而缩短了分析所需的总时间。

    Nov, 2023

  • BigBIO: 用于数据中心的生物医学自然语言处理框架

    我们介绍了 BigBIO 项目，这是一个包含 126 个以上生物医学 NLP 数据集的社区库，可用于训练和评估语言模型，其数据集的元数据和编程访问支持元数据集合的构建，并且支持 End-to-End 的零样本任务。

    Jun, 2022

  • 数字图像取证 vs. 图像合成：一场间接的军备竞赛

    本文分析了数字图像取证的现状及其面对新技术的挑战，提出了评估图像取证的新方法，并进行了实验以测试不同取证痕迹下的图像组合技术，证明取证研究虽不知晓先进的图像合成技术，但具备基本工具可检测。

    Jan, 2016