该研究探讨了视频修补检测技术，提出了一种双流编码器解码器体系结构和注意力模块的 VIDNet 方法，该模型采用误差级别分析数据增强处理 RGB 帧，进一步利用卷积 LSTM 模型对编码得到的多模态特征进行空间和时间关系的探索，并使用四个方向的局部注意力模块来检测像素是否被修补，实验结果表明 VIDNet 方法能够在各方面超越其他同类方法并且具有很好的泛化能力。

Jan, 2021

这篇论文提出了一种使用自注意力方法的纯补全变换模型，用于计算机视觉中的异常检测，其使用深度学习自动编码器来识别图像中的异常部分，并可实现区分性补全，同时提高了检测结果的准确性。

Apr, 2021

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

本文介绍了一种基于WaveMix的全卷积神经网络结构WavePaint用于图像修复，采用2D离散小波变换进行空间和多分辨率的令牌混合，与目前最先进的模型相比，WavePaint模型参数更少，具有相当的泛化性。

Jul, 2023

本研究提出了一种新的策略，将遮盖图像特征和噪声潜在特征分成独立分支，引入了BrushNet模型来将像素级遮盖图像特征嵌入任意预训练的扩散模型，以保证连贯和增强的图像修复结果，并通过多个指标评估实验证明了BrushNet在图像质量、遮盖区域保留和文本连贯性等七个关键度量上的优越性。

Mar, 2024

设计了一种具有优秀鲁棒性和泛化能力的受信任的视频修复定位网络（TruVIL），通过深度关注噪声学习多个阶段以捕捉修复痕迹，通过交叉模态关注融合模块探索两种互补模态之间的相关性，通过关注噪声解码模块选择性增强空间细节，实验证明了TruVIL相对于现有技术的卓越性能。

Jun, 2024

本研究解决了现有图像修复检测方法在处理不同语义和尺度目标时常出现的误判和漏检问题。提出的密集特征交互网络（DeFI-Net）通过新的特征金字塔架构，提升了多尺度特征的交互，改进了图像修复区域的精准定位。实验结果表明，该方法在多个图像修复数据集上实现了最先进的检测性能。

Aug, 2024

该研究解决了数字图像轻松操控带来的修补伪造检测问题。通过结合双树复小波变换（DT-CWT）、分层特征分割和噪声不一致性分析，提出了一种新颖的检测方法。研究表明，该方法在检测修补图像方面的性能优于现有的伪造检测技术。

Aug, 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