Oct, 2023

积极回避检测：反法医学抗伪造定位

PDF
TL;DR通过自监督学习和对抗训练的结合，SEAR 成功欺骗了最先进的伪造定位方法，并解决了传统对抗攻击方法所提到的三个缺陷。
anti-forensicsforgery detectorsforgery localizationadversarial trainingsear (self-supervised anti-forensics)
发现论文，激发创造
  • TransForensics: 基于密集自注意力的图像篡改定位

    提出了一种基于 Transformers 的图像伪造定位方法 TransForensics，结合密集自注意力编码器和密集校正模块用于模拟全局上下文和不同尺度下的本地补丁之间的所有成对相互作用，该方法不仅可以捕捉有区分性的表示并获得高质量的蒙版预测，而且不受篡改类型和补丁序列顺序的限制，在主要基准测试中表现优于现有的现有方法。

    Aug, 2021

  • ForensicTransfer：弱监督领域自适应用于伪造检测

    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

  • 图像反取证的深度图像恢复

    本研究旨在改进图像质量并通过深度图像恢复模型增强伪造图像的检测难度，同时测试深度学习方法与非深度学习方法在现有图像篡改检测模型上的效果，结果显示现有图像伪造检测模型无法对所提出的方法进行有效检测。

    May, 2024

  • 通过对比学习和无监督聚类重新思考图像伪造检测

    图像伪造检测的新方法 FOrensic ContrAstive cLustering (FOCAL) 基于对比学习和无监督聚类，通过像素级对比学习指导高级取证特征提取，使用实时无监督聚类算法将学习到的特征聚类为伪造 / 原始类别，并通过特征级连接进一步提高检测性能，对六个公共测试数据集进行广泛实验证明了 FOCAL 明显优于现有竞争算法。

    Aug, 2023

  • 可转移的对抗性攻击图像篡改定位

    本文提出了一种对现有数字图像篡改定位算法进行真实世界应用安全性评估的对抗性攻击方案，通过基于优化和梯度的敌对示例的白盒和黑盒攻击来揭示这种篡改定位器的可靠性，从而准确预测篡改区域并保持高视觉质量的同时，大大降低了定位精度。

    Sep, 2023

  • 合成黑盒反取证深度伪造视频实现高质量视觉效果

    提出了一种生成新型对抗性锐化掩模以发动黑盒反取证攻击的方法，通过注入这些扰动，DeepFakes 在展示愉悦的锐化视觉效果的同时能够实现高强度的反取证性能，成功干扰了先进的 DeepFake 检测器，并且与现有的 DeepFake 反取证方法相比，所提出的方法渲染出的反取证 DeepFakes 具有显著的视觉优势。

    Dec, 2023

  • 对抗消除伪造脸部图像的反事实解释

    通过艺术品去除的视角提供了人脸伪造检测的反事实解释，并成功实现了对抗攻击的可转移性。

    Apr, 2024

  • 使用 SOTA 图像分类深度学习方法进行伪造图像检测及误差级别分析的图像取证研究

    本文探讨如何使用深度学习和图像取证技术检测图像伪造，并使用 VGG-19、Inception-V3、ResNet-152-V2、XceptionNet 和 EfficientNet-V2L 等模型进行分类。

    Nov, 2022

  • 深度学习融合技术中的对手攻击

    本文通过构建一个新的算法实现了对基于深度学习的三种拼接定位工具（EXIF-SC、SpliceRadar、Noiseprint）进行对抗样本攻击的可行性，并发现这些攻击是具备可迁移性的，可以降低它们的定位性能。

    Apr, 2020

  • 适应性仿真图像检测的防伪能力自适应变压器

    本文研究的问题是可广泛适用的合成图像检测，旨在检测来自各种生成方法，例如 GAN 和扩散模型的伪造图像。研究发现，传统的固定模式不利于学习伪造表示，因此提出了一种新颖的伪造感知自适应变压器方法，即 FatFormer。经过实验验证，FatFormer 在未见过的 GAN 和扩散模型上表现出色，检测性能平均达到 98% 和 95% 的准确率。

    Dec, 2023