我们设计了一个局部操作流程，融合了 SAM、ChatGPT 和生成模型，并提出了 GIM 数据集，该数据集具有大规模、丰富的图像内容和多样的生成操纵，能够更全面地评估 IMDL 方法并扩展其在不同图像上的适用性。此外，我们还提出了一种新颖的 IMDL 框架 GIMFormer，在 GIM 数据集上进行的大量实验证明了其在两个不同基准测试上明显超过了先前的最新工作。

Jun, 2024

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

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

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

社交网络服务下的欺诈图像存在重大风险，我们提出了一个新的 Prompt-IML 框架来使用预训练的视觉基础模型辅助图像操作定位，所设计的模型在八个典型虚假图像数据集上表现出更好的性能和卓越的鲁棒性。

Jan, 2024

数字鉴证中，检测多媒体数据操纵的能力至关重要。我们提出了一个新的具有高质量注释的两个子集的具有挑战性的图像操纵检测基准数据集，同时基于 HRNet 提出了一个新的双分支网络模型，能在挑战条件下更好地检测图像编辑和压缩伪影。我们的模型在该基准数据集上的大量实验证明其在图像操纵检测方面明显优于目前最先进的方法。

Nov, 2023

本文介绍了一种首个数据集，用于开发和评估法庭工具，数据集包括真实的，完全合成的和部分操纵的俯瞰图像，该模型被训练用于不同缩放级别和不同来源的数据，并支持全合成和局部修复俯瞰图像的生成。

May, 2023

我们提出了一种使用实际照片训练的学习算法，利用自动记录的照片 EXIF 元数据作为监督信号来检测视觉图像操纵，较于传统方法具有更好的性能，此方法可以被用于图像拼接定位和图像取证方面。

May, 2018

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

使用深度学习模型对多媒体数据进行篡改检测，本文关注公开可用的恶意篡改检测基准数据集的详细分析，提供了一份全面的篡改线索和常用的深度学习架构清单，并讨论了当前最先进的篡改检测方法，将其分为深度伪造检测方法、拼接篡改检测方法、复制和移动篡改检测方法等，讨论了它们的优势和弱点。文章还讨论了在基准数据集上取得的最佳结果，将深度学习方法与传统方法进行比较，并提供了最近篡改检测方法的关键见解。最后，讨论了研究的空白、未来方向和结论，以提供对篡改检测研究领域的深入理解。

Jan, 2024