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

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

利用视觉 - 语言模型和提示调整技术，将深度伪造检测问题转化为视觉问题回答，实验表明通过预训练的视觉 - 语言模型和提示调整可以显著提高深度伪造检测的准确性。

Oct, 2023

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

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

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

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。

Sep, 2023

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

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

本研究通过深度学习和基于学习的方法，对图像篡改检测进行了深入分析，在标准数据集上评估了它们的性能；提出一种新颖的基于深度学习的预处理技术，用于强调篡改区域中的异常，通过加强篡改区域中的异常，提高了不同检测算法的性能，降低了在非篡改区域中的误检率，最后提供一个开源的篡改检测工具包。

Apr, 2023