本文证明，通过结合残差学习、skip architecture、对称权重初始化，可以在较短的时间内单步训练 8 层卷积神经网络(CNN)，并且相比较之前使用的小型网络和其他最先进方法，这种网络可以显著提供更好的JPEG压缩噪点减少的重构质量。我们通过评估三种不同的目标、相对于训练数据集大小的泛化和相对于JPEG质量水平的泛化来认识 JPEG 去噪中的 CNN。

May, 2016

本文研究了基于图像噪声残留的局部描述符在图像取证领域，如伪造检测和定位方面的应用。通过将这种基于残留的描述符类看作简单的受约束的卷积神经网络（CNN），我们在相对较小的训练集上进行微调，松弛约束，获得了与传统检测器相比显著的性能提升。

Mar, 2017

本文提出了两种基于采样特征和深度学习的图像篡改检测和定位方法，分别基于 Radon 变换和 LSTM 网络，随机行走分割和高斯条件随机场模型用于图像热图创建和篡改区域定位，实验证明两种方法均能有效检测和定位数字图像伪造。

Jul, 2017

本篇论文介绍了一种基于深度学习的视频伪造检测方法，旨在通过训练自编码器和循环神经网络模型进行对视频素材的分析，通过分析得到的重构误差和时序依赖性等特征，识别视频中的异常检测点，最终检测到视频的伪造目的。

Aug, 2017

本文提出了一种使用JPEG图像的DCT系数作为输入的CNN解决方案来检测双JPEG压缩的方法，并且相对于以往方法具备端到端的检测能力。

Oct, 2017

本文提出一个Dual-domain Multi-scale CNN (DMCNN)用于降噪JPEG格式图像，在此基础下扩充了网络的感受野，通过像素和DCT域的冗余性进一步提高了输出图像的质量，并在实验中取得了新的技术优势。

Jun, 2018

在图像伪造不断更新的现今，卷积神经网络和自编码结构的Forensic-Transfer方法可以提高图像伪造检测的可迁移性并显著提高性能。

Dec, 2018

本文提出了一种基于图像局部特征和深度学习的高置信度图像篡改检测和定位算法，通过利用重采样特征、长短期记忆单元和编码器 - 解码器网络实现了对篡改区域和非篡改区域的有效分割定位，提出的方法能够在像素级非常准确地定位图像篡改。

Mar, 2019

通过使用卷积神经网络 (CNN) 和离散余弦变换 (DCT) 系数，本文提出了一种用于本地化检测图像篡改的方法，并介绍了 Compression Artifact Tracing Network (CAT-Net)。CAT-Net 与传统方法和基于深度神经网络的方法相比，在检测和本地化篡改区域时具有更好的性能。

Aug, 2021

本研究旨在改进图像质量并通过深度图像恢复模型增强伪造图像的检测难度，同时测试深度学习方法与非深度学习方法在现有图像篡改检测模型上的效果，结果显示现有图像伪造检测模型无法对所提出的方法进行有效检测。

May, 2024