- 对偶比较方法中的决策操控检测
该论文介绍了决策制定模型中的三种简单操纵方法,并使用适当构造的神经网络来检测这些方法。实验结果表明,在生成的数据上,这些解决方案展现了相当的操纵检测水平。
- 关于 LLM 在篡改检测领域的能力研究
自 2020 年以来,特别是自 2020 年初以来,大语言模型 (LLMs) 已成为解决各种挑战的最强大的人工智能工具,从自然语言处理到各个领域的复杂问题解决。在伪造检测领域,LLMs 能够识别基本的篡改活动。为了评估 LLMs 在更专业领 - 挑战性图像篡改检测的新基准和模型
数字鉴证中,检测多媒体数据操纵的能力至关重要。我们提出了一个新的具有高质量注释的两个子集的具有挑战性的图像操纵检测基准数据集,同时基于 HRNet 提出了一个新的双分支网络模型,能在挑战条件下更好地检测图像编辑和压缩伪影。我们的模型在该基准 - 面对公正洗白审计,API 的相关性
本文研究了 AI 平台的审计问题,提出了平台抓取和 API 联合使用的方法,通过代理检测 API 回答的篡改,从而提高审计可靠性。
- 社交媒体时代图像篡改检测的有效性
本研究通过深度学习和基于学习的方法,对图像篡改检测进行了深入分析,在标准数据集上评估了它们的性能;提出一种新颖的基于深度学习的预处理技术,用于强调篡改区域中的异常,通过加强篡改区域中的异常,提高了不同检测算法的性能,降低了在非篡改区域中的误 - Comprint:压缩指纹技术用于图像伪造检测和定位
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。
- ECCV图腾:用于验证视觉完整性的物理对象
该论文介绍了一种新的图像取证方法:在场景中放置物理折射物体 Totems,以保护该场景的任何照片,并利用物理 Totems 的折射作用和已知的几何和物理性质来检测图像是否被修改,无需训练特定数据集,从而解决了取证问题。
- MONet:医学图像中的重复检测多尺度重叠网络
针对生物医学图像中的错误操纵问题,我们提出一种多尺度重叠检测模型,该模型能够有效地检测生物医学图像中的重复区域,并显著提高了检测效率。
- PSCC-Net: 渐进式空间 - 通道相关网络用于图像篡改检测和定位
提出一种 Progressive Spatio-Channel Correlation Network (PSCC-Net) 框架来检测和定位图像篡改,结合多尺度、特征交叉和局部全局特征提取,以及 Spatio-Channel Correl - 约束的 R-CNN:一个通用的图片篡改检测模型
提出了一种名为 Constrained R-CNN 的分层架构,它具有可学习的操纵特征提取功能,实现了对图像操纵的完整和准确的检测,学术实验表明该模型性能达到了最高水平。
- CVPR基于循环卷积策略的视频人脸篡改检测
为了解决合成图像和视频中不实信息的传播,本文研究了深度学习模型在视频中检测已篡改面部信息的方法,并通过利用时序信息的深度学习模型和领域专属的预处理技术,提高了公开数据集上现有技术的表现。
- 对基于 CNN 的图像取证的对抗样本可转移性研究
本文探索了在图像取证应用程序中,攻击是否具有传递性,并证明在大多数情况下攻击是不可传递的,至少当攻击者不完全了解目标检测器时,可以简化适当的对策设计。