这篇论文提出了一种基于全局、基于补丁的功能的自动视频修复算法，可以处理动态纹理、多个移动对象和移动背景等挑战情况，并在执行时间方面比现有技术快一个数量级。最终的算法不需要分割或手动输入，只需要定义修复遮罩即可，并且能够处理比以前的工作更广泛的情况。

Mar, 2015

本文是对已有图像修复方法的分析以及分类，分为基于顺序、基于CNN和基于GAN的方法，并提供不同类型图像失真的方法列表和可用数据集，为数字图像修复研究者提供了参考和方便了方法的比较和数据集的使用。

Sep, 2019

本文旨在进行普适图像修复检测，实现检测网络广泛应用于不同的deep image inpainting方法，通过提出新的数据生成方法，建立训练数据集，并设计了Noise-Image Cross-fusion Network，有效利用图像和噪声模式中的区分性信息，在多个基准数据集上实证表明，我们的方法优于现有的检测方法并且对未知的deep inpainting技术具备很好的泛化能力。

Jun, 2021

本研究提出一种基于离散小波变换的图像修复网络WaveFill，将输入的图像分解为多个频率带并分别修复，利用不同的目标函数，成功减少了不同频率之间的冲突，同时有效地在空域内完成了图像修复。实验结果表明，WaveFill在图像修复方面具有优异的质量和数量表现。

Jul, 2021

提出UMMAFormer，一种新颖的通用Transformer框架，用于时序伪造定位，通过多模态适应预测伪造段，包括引入基于时序特征重建的时序特征异常关注模块（TFAA）以增强时序差异的检测，设计用于微妙特征增强的平行交叉关注特征金字塔网络（PCA-FPN），并构建适用于视频修复场景的新型时序视频修复定位（TVIL）数据集，实验结果表明我们的方法在众多基准数据集上取得了最优性能。

Aug, 2023

提出了一个用于反取证图像修复的端到端训练框架，名为SafePaint，用于解决生成逼真图像内容时常出现痕迹的问题，并通过领域自适应方法实现反取证的目标

Apr, 2024

对于缺乏信息的条件下的图像修复问题，传统评估方法的偏见导致其倾向于某些结果，本文提出了一种基于多次重新修复的自我监督度量方法，强调自我一致性原则，旨在有效降低偏见并探索多种有效的图像修复解决方案。通过在多个基准测试中的广泛实验，验证了评估方法与人类判断的一致性。

May, 2024

借助生成式人工智能技术，数字图像处理变得越来越容易获取和逼真。最近的发展使得利用文本进行指导的修复变得可能，从而实现了仅需最小努力的高级图像编辑。然而，这给数字媒体取证带来了新的挑战。本研究引入了TGIF数据集，这是一个全面的图像合成伪造检测数据集，旨在支持图像伪造定位和合成图像检测方法的训练和评估。利用TGIF数据集，评估了多种先进的图像伪造定位和合成图像检测方法，发现传统方法无法有效检测到生成式修复图像，且它们对于强压缩更加敏感。因此，本研究旨在促进更具能力的图像伪造定位和合成图像检测方法的开发。

Jul, 2024

本研究解决了数字图像修复工具带来的伪造检测难题，提出了一种基于低级噪声分析的新方法。通过结合双树复小波变换和卷积神经网络，该方法能够有效检测和定位修复区域，并利用纹理分割与噪声方差估计的创新结合提高检测精度。研究表明，该方法在各项性能指标上优于现有最先进的技术。

Sep, 2024

本研究解决了随着深度生成模型的进步，数字图像操纵及深度伪造检测的复杂性不断增加的问题。提出的Wavelet-CLIP框架结合小波变换和ViT-L/14架构特征，显著提升了对复杂深度伪造的检测能力。实验结果表明，该方法在跨数据集泛化和未见深度伪造检测上表现优异，展示了其在实际应用中的潜在影响。

Sep, 2024