Jul, 2023

HRFNet：高分辨率伪造网络用于定位卫星图像操纵

PDF
TL;DR现有的高分辨率卫星图像伪造定位方法都依赖于基于块或基于降采样的训练，而这两种方法都存在一些缺陷，例如伪造区域和原始区域之间的边界不准确以及生成不需要的伪影等。为了解决上述挑战，受高分辨率图像分割技术的启发，我们提出了一种名为 HRFNet 的新型模型，能够有效地定位卫星图像中的伪造。具体来说，我们的模型配备了浅层和深层分支，可以在全局和局部方式上成功地结合 RGB 和重采样特征，从而更准确地定位伪造。我们进行了各种实验来证明我们的方法在性能方面最佳，同时与现有方法相比并不牺牲内存需求和处理速度。
high-resolution satellite image forgery localizationpatch-based trainingdownsampling-based traininghrfnet modelforgery localization
发现论文，激发创造
  • DA-HFNet：基于双重注意力的渐进式细粒度伪造图像检测和定位

    使用双重关注机制及多分支交互网络，在不同尺度上捕捉伪造图像的伪造特征，有效提高伪造图像检测和定位的性能。

    Jun, 2024

  • 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

  • 利用重采样特征和深度学习进行图像伪造的检测和定位

    本文提出了两种基于采样特征和深度学习的图像篡改检测和定位方法，分别基于 Radon 变换和 LSTM 网络，随机行走分割和高斯条件随机场模型用于图像热图创建和篡改区域定位，实验证明两种方法均能有效检测和定位数字图像伪造。

    Jul, 2017

  • HighRes-net：多帧卫星图像超分辨率递归融合

    本论文提出了一种基于深度学习的多帧超分辨率方法 HighRes-net，首次使用端到端的方式学习了低分辨率图像的配准、融合和上采样等任务，并通过准确的配准和 ShiftNet 算法实现了真实卫星图像的超分辨率处理，促进了地球观测数据的应用。

    Feb, 2020

  • 分层细粒度图像伪造检测和定位

    针对使用 CNN 合成图像与图像编辑两个领域生成的图像伪造属性差异巨大，难以实现统一的图像伪造检测和定位（IFDL）挑战，我们提出了一种分层细粒度的 IFDL 表示学习方法，其中包括多分支特征提取器，定位和分类模块，能够有效地检测并在像素级和图像级别上定位和分类伪造区域。

    Mar, 2023

  • 利用高频特征进行人脸伪造检测的泛化

    这篇论文提出了一种基于 CNN 的人脸伪造检测方法，利用高频噪声、多尺度特征提取、残差 - 引导空间注意力和跨模态注意力等功能模块提高了交叉数据集下的检测性能。

    Mar, 2021

  • SepHRNet: 使用可分离卷积的 HRNet 从遥感图像生成高分辨率农作物地图

    本文提出了一种新型深度学习方法，将 HRNet 与可分离卷积层集成以捕获空间模式和自注意力以捕获数据的时间模式，并利用 CNN 解码器从聚合表示生成作物地图。该算法在生成作物地图方面达到了 97.5％的高分类精度和 55.2％的 IoU，并表现出深度学习在地球观测系统中的巨大潜力。

    Jul, 2023

  • 卫星影像快速超分辨率的深度与非深度方法融合

    该论文提出通过超分辨率提高卫星图像的质量并降低成本。作者设计了一种框架以分析每个低分辨率图像补丁的区域信息内容，并明智地选择在图像上超分辨率更富有结构的区域上使用更复杂的深层模型，而在非显著区域上使用不使用深层模型的低资源密集型方法，从而在保证性能的同时降低了推断时间。

    Aug, 2020

  • 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

  • 由粗到细：大尺度的强健分层定位

    本文提出了一种基于单片式 CNN 的分层定位方法 HF-Net，通过利用粗到细的定位范例实现了在大规模环境和重要外观变化的情况下更准确地进行 6 自由度定位。除此之外，通过利用学习描述符，使我们的方法在大幅度外观变化的情况下实现了卓越的定位鲁棒性，并为大规模定位的两项具有挑战性的基准设定了新的标准。

    Dec, 2018