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

基于自然图像的统计特征，本文介绍了一种用于提高图像篡改检测精确度和效率的新的拼接图像检测算法，该算法通过整合先进的统计分析技术和机器学习方法构建了一个检测框架，并在多个公共数据集上进行了验证，显示出在检测拼接边缘和定位篡改区域方面具有高准确性和良好鲁棒性，此外，还探讨了算法在实际场景中的潜在应用和面临的挑战。此研究不仅为图像篡改检测领域提供了一种有效的技术手段，而且为未来相关研究提供了新的思路和方法。

Apr, 2024

本文提出了一种多流网络架构，该架构使用编码器 - 解码器架构，由多个编码器流组成，分别处理篡改图像或手工制作的信号，从而独立地捕获每个信号的相关信息，并在架构的瓶颈处融合多个流的特征，并传播到生成输出定位图的解码器网络，以解决图像拼接定位问题，并在公共取证数据集上取得了具有竞争性的性能和最先进的结果。

Dec, 2022

本研究旨在调查语言 - 图像模型对媒体取证的挑战水平。为此，我们提出了一种新方法，利用 DALL-E2 语言 - 图像模型自动生成和拼接由文本提示引导的遮蔽区域，并生成包含 5,894 个经过操作和真实图像的新图像数据集 AutoSplice。利用该数据集进行图像篡改检测和定位实验，结果表明，大多数媒体取证模型难以识别 AutoSplice 数据集，但使用微调模型可以取得更好的效果。

Apr, 2023

提出了一个由 5000 个图像组成且包含 335 个不同语义类别的手动创建的剪贴数据集 GreatSplicing，通过该数据集训练的模型表现出最小的误识率和优于现有数据集的跨数据集检测能力。

Oct, 2023

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

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

本文提出了一种名为 Deep Matching and Validation Network（DMVN）的新型深度卷积神经网络架构，该方法可以同时定位和检测图像拼接，不依赖于手工特征，并使用原始输入图像创建深度学习表示，通过端到端优化产生概率估计和分割掩模，通过广泛的实验表明，此方法在 AUC 得分和速度方面都大大优于现有的拼接检测方法。

May, 2017

我们提出了一个多尺度目标感知框架，用于在统一的流程中进行特征提取和相关匹配，以实现检测和定位图像拼接操作，通过协同学习相关图像块，促进特征学习和相关匹配的相互促进，并且通过引入多尺度投影方法来处理比例变换，该方法在多个基准数据集上优于现有的方法，并且对比例变换具有鲁棒性。

Aug, 2023

提出了一种基于不确定性引导的改进网络 (URN) 来减轻生物医学图像中的干扰因素的影响，同时构建了一个包含 1,290 张拼接图像的生物医学图像拼接检测数据集 (BioSp)，经过三个基准数据集的全面实验证明了该方法的优越性，并验证了 URN 的泛化性和抗后处理方法的鲁棒性。

Sep, 2023