提出了一种通过分析 H.264 编码使用的压缩算法的取证技术，利用宏块和运动矢量的信息来准确检测视频是否被重新压缩。

Feb, 2024

本文提出了一种基于深度学习的、用于评估包含图像和标题的多媒体包的语义完整性的方法，这样可以检测包的操纵，他们利用一个引用数据集创建图像和标题的联合嵌入，并提供了图像 - 标题一致性得分。作者们还提出了 MultimodAl 数据操纵数据集 (MAIM)，用来验证这种方法的性能。在检测语义不一致的媒体包方面，本方法的 F1 得分分别为 0.75、0.89 和 0.94。

Jul, 2017

提出了一个用于通过音频、视觉内容或两者的融合来识别设备的框架，使用了卷积神经网络进行设备识别问题的分类，并通过实验证明，在独立使用音频或视觉内容时，该框架表现出有希望的分类性能。此外，融合结果虽然并不始终超过单个模态，但展示了增强分类性能的潜力。未来的研究可以进一步改进融合过程，以在两种模式下实现持续提升的分类性能。最后，进行了统计显著性测试，对分类结果进行了深入研究。

Jun, 2024

本综述分析了视觉媒体完整性验证的方法，着重于探讨深度伪造现象和现代数据驱动的法医分析方法，以揭示现有取证工具的限制、相关问题、挑战和未来研究方向。

Jan, 2020

使用水印技术将设备指纹嵌入图像以确保数据来源，通过远程验证方法认证图像以提高医学图像数据的完整性。适用于移动成像设备、数据溯源、远程验证、医学图像数据的多种应用场景。

Mar, 2024

本文介绍了一种使用胶囊网络来检测各种欺骗的方法，从使用打印图像或记录视频的重放攻击到使用深度卷积神经网络的计算机生成视频，它将胶囊网络的应用扩展到了解决反向图形问题。

Oct, 2018

探讨了对视频内容进行篡改的检测技术，通过对多媒体流描述符进行分析确定造假视频，而非仅仅依靠像素数据分析，其结果显示在多媒体流描述符上的数据处理可以高效地检测到大多数篡改行为。

Jun, 2019

使用深度学习模型对多媒体数据进行篡改检测，本文关注公开可用的恶意篡改检测基准数据集的详细分析，提供了一份全面的篡改线索和常用的深度学习架构清单，并讨论了当前最先进的篡改检测方法，将其分为深度伪造检测方法、拼接篡改检测方法、复制和移动篡改检测方法等，讨论了它们的优势和弱点。文章还讨论了在基准数据集上取得的最佳结果，将深度学习方法与传统方法进行比较，并提供了最近篡改检测方法的关键见解。最后，讨论了研究的空白、未来方向和结论，以提供对篡改检测研究领域的深入理解。

Jan, 2024

本文介绍了一种胶囊网络方法，用于检测多种攻击类型，从使用打印图像和重放视频的陈述性攻击到使用深度学习创建的虚假视频的攻击，具有与传统卷积神经网络相似的性能，并通过详细分析和可视化解释了胶囊网络应用于取证问题的理论。

Oct, 2019

本研究提出了一种基于 3D-UNet 的视频水印网络，可以用于视频篡改定位和检测，通过模拟视频压缩和模糊等攻击，以实现对被攻击版本的篡改区域的准确定位和检测，并具有良好的不可感知性和鲁棒性。

Jul, 2022