Nov, 2023

渐进反馈增强转换器用于图像篡改定位

PDF
TL;DR我们提出了一种 Progressive FeedbACk-enhanced Transformer (ProFact) 网络，用于实现粗细图像伪造定位。该网络通过自适应反馈，将初步分支网络生成的粗定位图传递给早期 Transformer 编码层，以增强正特征的表达并抑制干扰因素。结合上下文空间金字塔模块的级联变压器网络用于改进鉴别式法庭特征，提高伪造定位的准确性和可靠性。实验结果表明，我们提出的定位器在图像伪造定位的泛化能力和稳健性方面远远超过现有技术。
blind detectionforged regionsdigital imagesimage forgery localizationtransformer network
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

  • 通过增强型 Transformer 和共注意力融合实现有效的图像篡改定位

    本文提出了一种基于增强型双分支变压器编码器和基于注意力的特征融合的有效图像篡改定位网络 (EITLNet)，通过特征增强模块增强变压器编码器的特征表示能力，并且通过坐标注意力融合模块在多个尺度上有效地融合从 RGB 和噪声流提取的特征。广泛的实验结果验证了该方案在各种基准数据集上达到了最先进的泛化能力和鲁棒性。代码将在此 URL 进行公开。

    Sep, 2023

  • 利用渐进增强学习技术探测细粒度人脸伪造线索

    使用面部假冒技术制造的可信度问题日益增加，提出了一种利用 RGB 和粒度细微频率提示的渐进增强学习框架来解决这个问题，实验结果表明，该方法优于现有的面部伪造检测方法。

    Dec, 2021

  • 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

  • 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

  • 自监督图转换器用于深度伪造检测

    该研究介绍了一种深假检测框架，利用自监督预训练模型提供出色的泛化能力，能够应对常见的扭曲并解释模型的决策，实验证明该框架的有效性超过当前最先进方法。

    Jul, 2023

  • 定位和验证：用于改进深伪造检测的双流网络

    通过创新的双流网络、多功能模块和半监督补丁相似性学习策略，本研究在深伪检测领域取得了显著的改进，通过六个基准测试表明具有较强的鲁棒性和普适性，并在深伪检测挑战预览数据集上将帧级 AUC 从 0.797 提高至 0.835，将 CelebDF_v1 数据集上的视频级 AUC 从 0.811 提高至 0.847。

    Sep, 2023

  • 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

  • 视频鉴别：利用注意力、场景上下文和法医痕迹检测视频伪造

    该研究提出了一种新的网络 VideoFACT，能够检测和定位多种视频伪造和操纵，包括那些未在训练中遇到的，并能在具有挑战性的基于人工智能的操纵上取得更强的性能表现。

    Nov, 2022

  • 揭示欺诈行为：深度伪造检测中的更多伪造线索揭示

    通过提取多个非重叠的局部表征并将它们融合成全局的语义丰富特征，凭借信息瓶颈理论派生局部信息损失，保证局部表征的正交性同时保留全面的任务相关信息，通过互信息的理论分析得到全局信息损失，最终达到融合局部表征并且去除任务无关信息的目的，实证结果在五个基准数据集上取得了最新的性能，我们的代码可以在 https://github.com/QingyuLiu/Exposing-the-Deception 访问，希望能够激发研究人员的灵感。

    Mar, 2024