Sep, 2023

像素不一致性建模用于图像篡改定位

PDF
TL;DR该研究提出了一个通过像素不一致性痕迹进行广义且稳健的图像篡改定位的方法，通过分析像素不一致性痕迹模型化图像的全局像素依赖和本地篡改线索，并通过学习权重模块增强最终的篡改定位性能。在图像信号处理器插值过程中引入的像素相关性以及篡改操作对像素的影响是该方法的基础，并通过新颖的数据增强策略驱使模型专注于捕捉固有的像素级痕迹。实验结果表明，该方法在图像篡改定位领域具有最先进的泛化和稳健性能。
发现论文，激发创造
  • 探索多视角像素对比度的通用和鲁棒图像伪造定位

    提出了一种多视角像素对比算法（MPC）来进行图像伪造定位，通过预训练主干网络和微调定位头，增强像素定位器，并在不同规模的训练数据集上进行广泛实验证明该方法具有更高的泛化性能和对后期处理的鲁棒性。

    Jun, 2024

  • 基于不一致挖掘的对象级复制 - 移动伪造图像检测

    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

  • 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

  • 弱监督自洽学习的通用图像篡改检测

    通过弱监督学习方式，本文提出了一种基于自一致性学习的弱监督图像篡改检测方法，该方法通过学习多源一致性和跨补丁一致性来改进图像篡改检测的泛化能力和篡改区域的定位效果，实现了与全监督方法相媲美的性能表现。

    Sep, 2023

  • 图像合成任务中的感知伪影定位

    近期，深度生成模型在各类任务中取得了创建逼真图像的重要进展，然而，这些生成的图像往往在特定区域出现知觉上的瑕疵，需要手动修复。本研究通过全面的实证研究，提出了感知性瑕疵定位（PAL）的方法，跨越多样的图像合成任务。我们引入了一个新的数据集，包括 10,168 个生成图像，每个图像都有基于像素级的感知性瑕疵标签，覆盖了十个合成任务。在我们提出的数据集上训练的分割模型有效地定位了各类任务中的瑕疵。此外，我们还展示了该模型在使用极少的训练样本下适应之前未见过的模型时的高效性。我们进一步提出了一种创新的放大补全流程，能够无缝修复生成图像中的感知性瑕疵。通过实验分析，我们阐明了几个实际的下游应用，如自动瑕疵修复、非参考图像质量评估以及异常区域检测。该数据集和代码已经发布。

    Oct, 2023

  • 具有子流形对齐的生成图像修复

    本研究提出了一种 GAN-based 图像修复模型，利用局部内在维数测量 GAN 模型学习到的数据子流形与原始数据之间的对齐性，并将 iLID 和 pLID 用作正则化，促进两个层面的子流形对齐：1）改善结构一致性的图像级对齐；2）改善纹理细节的补丁级对齐。经实验证明，我们的模型比现有的最先进模型能够产生更准确的结果。

    Aug, 2019

  • 通过学习自一致性进行图像拼接检测以对抗假新闻

    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

  • 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

  • 基于视觉 Transformer 的无监督一致性检测的人脸伪造方法 (UIA-ViT)

    本文提出了一种基于视觉 Transformer 的无监督非一致性感知方法 (UIA-ViT)，该方法可在没有像素级别注释的情况下仅利用视频级别标签，并使用一致性关系进行特征学习以提高人脸伪造检测性能。

    Oct, 2022

  • SpliceRadar: 一种用于盲目图像取证的学习方法

    本文提出了一种基于深度学习的图像拼接定位方法，它可以在不需要测试图像的相机型号先验知识的情况下定位拼接区域，并在大规模未被篡改的相机标记图像数据库上进行训练。在三个测试数据库上的实验结果表明，该方法在现有最先进技术水平的基础之上具有相当的效果和良好的泛化能力。

    Jun, 2019