深度网络平衡复制移动伪造检测和区分能力吗?
提出了一种集成传统和深度方法优点的端到端复制移动伪造检测(CMFD)框架,其中包括了深度跨尺度补丁匹配方法和操作区域定位分支,通过从高分辨率尺度提取特征,寻求源区域和目标区域之间的明确可靠的点对点匹配,证明了该方法对不同的复制移动内容具有高度的适应性和显著优于现有方法的性能。
Aug, 2023
基于不一致性挖掘(IMNet)的物体级抄袭移动伪造图像检测,针对模糊等技术隐匿伪造痕迹给对象级目标完整结构的检测带来的挑战,通过定制原型并动态更新,提取通过自相关计算获得的粗略相似区域与构成原型的区域间的不一致区域,利用检测到的不一致区域作为粗略相似区域的补充,以提高像素级检测精度,并通过在三个公开数据集上进行实验证实了 IMNet 的有效性和鲁棒性。
Mar, 2024
该研究提出了一种新颖的端到端图像复制移动伪造检测框架,它结合了传统和深度学习方法的优势,利用高分辨率尺度提取特征进行源和目标区域的明确可靠点对点匹配,并提出了一种新型的成对排序学习框架来分离源和目标区域,取得了显著的泛化能力和优于现有方法的检测性能。
Apr, 2024
提出了一种名为 CMFDFormer 的变压器风格的复制移动伪造检测网络,并提供了一种新颖的 PCSD(Pooled Cube and Strip Distillation)连续学习框架来帮助 CMFDFormer 处理新任务。通过在综合分析 CNN 风格和 MLP 风格骨干网络的基础上采用变压器风格网络作为骨干网络,并使用基于自相关计算、分层特征融合、多尺度循环全连接块和掩码重建块构建 PHD 网络,实现不同风格的特征提取器的分层多尺度信息提取,从而达到可比较的性能。此外,提出了一种 PCSD 连续学习框架,以改善伪造的可检测性并在处理新任务时避免灾难性遗忘,该框架限制了 PHD 网络的中间特征,并利用了立方体池和条带池两者的优势。针对公开可用数据集进行了大量实验,证明了 CMFDFormer 的良好性能和 PCSD 连续学习框架的有效性。
Nov, 2023
本文研究了复制移动伪造(copy-move forgery)的检测算法和处理步骤的性能表现,利用 15 种不同的特征集进行分析以实现检测,在切实的数据集和软件框架上进行实验表明基于关键点的特征集合(如 SIFT 和 SURF)以及基于块的特征集合(如 DCT,DWT,KPCA,PCA 和 Zernike 等)在不同的噪声源和下采样情况下表现良好,并能可靠识别复制区域。
Aug, 2012
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
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
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
通过创新的双流网络、多功能模块和半监督补丁相似性学习策略,本研究在深伪检测领域取得了显著的改进,通过六个基准测试表明具有较强的鲁棒性和普适性,并在深伪检测挑战预览数据集上将帧级 AUC 从 0.797 提高至 0.835,将 CelebDF_v1 数据集上的视频级 AUC 从 0.811 提高至 0.847。
Sep, 2023
本文提出了一个新的多注意力深度伪造检测网络,该网络通过引入区域独立的损失和基于注意力的数据增强策略来解决学习难度问题,并在多个数据集上展示了该方法在检测深度伪造方面的优越性。
Mar, 2021