本文研究了复制移动伪造（copy-move forgery）的检测算法和处理步骤的性能表现，利用 15 种不同的特征集进行分析以实现检测，在切实的数据集和软件框架上进行实验表明基于关键点的特征集合（如 SIFT 和 SURF）以及基于块的特征集合（如 DCT，DWT，KPCA，PCA 和 Zernike 等）在不同的噪声源和下采样情况下表现良好，并能可靠识别复制区域。

Aug, 2012

基于图像鉴定的副本移动伪造检测算法使用了基于 SIFT 的关键点算法和熵图像来提高算法性能和时间效率。

Dec, 2023

基于不一致性挖掘（IMNet）的物体级抄袭移动伪造图像检测，针对模糊等技术隐匿伪造痕迹给对象级目标完整结构的检测带来的挑战，通过定制原型并动态更新，提取通过自相关计算获得的粗略相似区域与构成原型的区域间的不一致区域，利用检测到的不一致区域作为粗略相似区域的补充，以提高像素级检测精度，并通过在三个公开数据集上进行实验证实了 IMNet 的有效性和鲁棒性。

Mar, 2024

提出了一种集成传统和深度方法优点的端到端复制移动伪造检测（CMFD）框架，其中包括了深度跨尺度补丁匹配方法和操作区域定位分支，通过从高分辨率尺度提取特征，寻求源区域和目标区域之间的明确可靠的点对点匹配，证明了该方法对不同的复制移动内容具有高度的适应性和显著优于现有方法的性能。

Aug, 2023

提出了一种新的用于可靠检测和定位视频剪贴 - 移动伪造的算法，该算法使用密集场方法，并具有针对后处理操作的鲁棒性，通过一个专门设计的新数据集的实验结果表明，在各种具有挑战性的情况下，该方法能够准确地检测和定位视频剪贴 - 移动伪造。

Mar, 2017

该研究提出了一种新颖的端到端图像复制移动伪造检测框架，它结合了传统和深度学习方法的优势，利用高分辨率尺度提取特征进行源和目标区域的明确可靠点对点匹配，并提出了一种新型的成对排序学习框架来分离源和目标区域，取得了显著的泛化能力和优于现有方法的检测性能。

Apr, 2024

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

本文提出了基于图的社区检测方法来检测和定位图像伪造，通过 Forensic Similarity Graph 表示图像，利用社区结构来定位伪造部分，并通过实验证明了该方法的优越性。

Dec, 2019

本文提出了一种名为 Secure-Pose 的跨模态视频伪造检测和本地化系统，可使用靠近相机现场的 WiFi 信号进行实时监视，实现了良好的检测精度和本地化能力。

Jan, 2021

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