Sep, 2023

无预训练图像操纵定位的非互斥对比学习

HTML
PDF
TL;DR将非互斥对比学习（NCL）引入深度图像处理定位（IML）模型，以解决训练数据不足的问题，并提高处理位置准确度。NCL通过建立一个包含双分支的中心结构，并设计一种保持空间上连续性的损失函数，有效地应对不互斥图像区域的问题，实现了自我监督的优势并在五个基准测试中表现出卓越性能。
发现论文，激发创造
  • 无配对图像转换的对比学习

    提出了一种基于对比学习的图像翻译方法，通过最大化两个元素之间的互信息来鼓励相应图像块之间的相似性，从而实现不同领域之间的图像转换，该方法可在单个图像条件下进行一侧图像转换，同时提高了合成图像的质量和减少了训练时间。

    Jul, 2020

  • 解耦对比学习

    本文提出了解决自监督对比学习中的批处理大小等参数问题的一种简单有效的基准方法（DCL），并对其进行了在多种基准测试中的复现和实时检验，最终实现了较少受亚优化超参数影响且性能不错的对比学习方法。

    Oct, 2021

  • 针对下游目标检测的对比视角设计策略以提高对领域转移的稳健性

    为了增强对外域物体的检测鲁棒性，我们对对比学习进行了实证研究，并提出了加强鲁棒性的策略，包括改变裁剪百分比、添加 IoU 约束、整合显著性的对象先验，并探索了缩短路径的数据增强方法。在多个领域的基础上进行基准测试，整合多种策略，实验结果表明了如何通过选择视图提高对比学习的鲁棒性。

    Dec, 2022

  • IML-ViT：基于视觉Transformer的图像操作定位

    开发了一种新的图像篡改定位模型，称为IML-ViT，它具有高分辨能力、多尺度特征提取能力和篡改边缘监督，并在五个基准数据集上进行了广泛实验，证明了其优于现有篡改定位方法的性能。

    Jul, 2023

  • 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

  • 图像操作定位的感知 MAE: 低层特征为焦点的高级视觉学习器

    通过整合低级特征与高级特征，本文将图像篡改定位任务重新定义为一个高级视觉任务，并提出了一种名为感知 MAE（PMAE）的方法，通过结合高分辨率输入和感知损失监督模块来增强掩模自动编码器（MAE），从而对低级特征进行补充，该方法在所有五个公开的数据集上优于现有最先进的篡改定位方法。

    Oct, 2023

  • 探究多模态融合在图像篡改检测与定位中的应用

    通过合并不同滤波器的输出结果，利用图像操作定位和检测中的互补特征和痕迹，我们提出了两种不同的方法：一种是产生独立特征并将它们融合的后期融合方法，另一种是在不同模态输出之间进行早期混合并产生早期合并特征的早期融合方法。我们证明这两种方法在图像操作定位和检测方面的性能均优于现有模型在多个数据集上的表现。

    Dec, 2023

  • PROMPT-IML：通过Prompt调整预训练的基础模型实现图像操作定位

    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

  • IMDL-BenCo：图像操纵检测与定位的综合基准和代码库

    IMDL-BenCo是第一个综合的图像处理检测与定位(IMDL)基准和模块化代码库，其包括标准化的、可重用的组件、现有先进模型的训练代码、多样的评估指标和鲁棒性评估，以及基于该基准和代码库的深度分析，为IMDL领域当前的进展校准和未来的突破提供重要支持。

    Jun, 2024

  • 对比学习下的视频修复定位

    基于对比学习的Video Inpainting LOcalization (ViLocal)方案使用3D Uniformer编码器学习了有效的时空取证特征，通过吸引/排斥正/负原始和伪造像素对捕捉到了图像修复不一致，然后通过专门的两阶段训练策略利用轻量级卷积解码器生成了一个像素级修复定位地图，实验证明ViLocal优于现有技术。

    Jun, 2024