融合对象掩码引导的图像伪造分析的融合Transformer
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
使用压缩指纹技术实现的新型防伪检测和定位方法Comprint,结合使用相机模型指纹技术Noiseprint,能对不同类型的图像篡改进行准确检测和定位,表现明显优于现有方法。此方法及其融合技术有望成为分析真实操作的伪造图像的重要工具。
Oct, 2022
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
本文提出了一种新的使用Transformer结构的端到端深度神经网络方法,旨在检测复制移动伪造的实例,同时定位源和目标区域。通过使用这种方法,我们解决了多对象复制移动场景所提出的挑战,并报告了检测和区分任务之间的平衡情况,并在不同的数据集中应用了模型转移。
May, 2023
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
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
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。
Nov, 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
通过引入轻量级的网络BAR-Net,本研究解决了transformer网络在平衡全局上下文获取与计算复杂度之间的挑战,提高了人脸伪造检测的性能。
Apr, 2024