MMNov, 2022

使用 SOTA 图像分类深度学习方法进行伪造图像检测及误差级别分析的图像取证研究

PDF
TL;DR本文探讨如何使用深度学习和图像取证技术检测图像伪造，并使用 VGG-19、Inception-V3、ResNet-152-V2、XceptionNet 和 EfficientNet-V2L 等模型进行分类。
发现论文，激发创造
  • 深度图像合成与图像伪造

    图像伪造是一个多年来一直被研究的课题，深度学习的突破对图像伪造检测产生了重大影响，我们使用先进的图像合成深度学习模型自动化数据生成，生成接近真实操作的拼接图像，通过对生成的数据集进行测试，我们证明其对现有数据集的预测性能较低，即我们生成了更难检测的逼真图像。

    Apr, 2024

  • 图像反取证的深度图像恢复

    本研究旨在改进图像质量并通过深度图像恢复模型增强伪造图像的检测难度，同时测试深度学习方法与非深度学习方法在现有图像篡改检测模型上的效果，结果显示现有图像伪造检测模型无法对所提出的方法进行有效检测。

    May, 2024

  • 深度文本伪造检测的图像生成和学习策略

    近年来，文件处理蓬勃发展并带来了众多好处。然而，被报告的伪造文件图像案例显著增加。特别是深度神经网络（DNN）在生成任务方面的最新进展可能加剧文件伪造的威胁。我们验证了传统的针对使用普遍的复制 - 移动方法创建的伪造文件图像的方法对 DNN 方法创建的伪造文件图像不适用。为了解决这个问题，我们构建了一个名为 FD-VIED 的文件伪造图像的训练数据集，通过模拟可能的攻击，如文本添加、删除和替换，使用最新的 DNN 方法。此外，我们通过自监督学习的方式引入了一种有效的预训练方法，包括自然图像和文档图像。在我们的实验证明，我们的方法提高了检测性能。

    Nov, 2023

  • 利用 GAN 和单类分类器进行卫星图像伪造检测和定位

    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

  • TransForensics: 基于密集自注意力的图像篡改定位

    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

  • 探究图像篡改检测中的人为因素

    本文针对网络假冒图片的普遍存在问题，通过对自动算法与人类表现进行对比，提出了基于人类视觉难度的图片伪造检测算法。该算法将为今后更好的算法开发提供有利支持。

    Apr, 2017

  • ForensicTransfer：弱监督领域自适应用于伪造检测

    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

  • 通过对比学习和无监督聚类重新思考图像伪造检测

    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

  • GAN 图像取证的泛化研究

    本文研究使用预处理图像训练一种法医卷积神经网络模型，以提高对生成对抗网络图像的泛化能力，并证明所提出的方法的有效性。

    Feb, 2019

  • 人脸伪造的语义上下文化：新的定义、数据集和检测方法

    通过定义改变语义脸部属性以超过人类辨别阈值的计算方法，构建一个大型脸部伪造图像数据集，并提出了一个以语义为导向的脸部伪造检测方法，展示了该数据集在揭示当前检测器的弱点以及提高其泛化能力方面的优越性。

    May, 2024