Forensic Similarity for Digital Images
Drexel University（德雷塞尔大学）
在本文中，我们介绍了一种新的数字图像取证方法称为取证相似性，它确定是否两个图像补丁包含相同的取证痕迹或不同的取证痕迹。这种方法的一个好处是不需要法医痕迹的先验知识（例如训练样本）来在将来对其进行法医相似性判定。为此，我们提出了一个由两部分组成的深度学习系统，包括一个基于CNN的特征提取器和一个三层神经网络，称为相似性网络。该系统将成对的图像块映射到指示它们是否包含相同或不同的取证痕迹的分数。我们评估了确定两个图像块是否1）由相同或不同的相机模型捕获，2）由相同或不同的编辑操作操纵，以及3）由相同或不同的操纵参数操纵（给定特定的编辑操作）的系统准确度。实验表明，各种法医痕迹的适用性，重要的是，“未知”的法医痕迹，没有被用来训练的系统显示的功效。实验还表明，所提出的系统显着改善了现有技术，减少了一半以上的出错率。此外，我们证明了实用的法医相似性方法在两个实际应用：伪造检测和本地化，数据库一致性验证。
2019-07-19 cs.CV eess.IV
Warwick Image Forensics Dataset for Device Fingerprinting In Multimedia Forensics
University of Warwick（华威大学）；Deakin University（迪肯大学）；Hangzhou Dianzi University（杭州电子科技大学）
像传感器模式噪声（SPN）这样的设备指纹被广泛用于来源分析和图像认证。在过去的几年里，数字摄影的快速发展极大地重塑了消费级移动设备上的图像捕获过程的管道。相机参数设置的灵活性和多帧摄影算法的出现，特别是高动态范围（HDR）成像，给设备指纹识别带来了新的挑战。对这些主题的后续研究需要一个新的有目的地构建的图像数据集。在本文中，我们提出了沃里克图像取证数据集，超过58,600张图像的图像数据集使用14个数码相机拍摄的各种曝光设置。对曝光设置的特别注意允许图像被不同的多帧计算摄影算法采用，并用于随后的设备指纹识别。该数据集作为开源发布，免费供数字取证社区使用。
2020-05-07 cs.CR cs.CV cs.MM
DF-Net: The Digital Forensics Network for Image Forgery Detection
Austrian Institute of Technology（奥地利技术研究院）
本文提出DF-Net，一种用于像素级图像伪造检测的深度神经网络，在四个基准数据集上优于现有方法，并对社交网络的有损操作具有鲁棒性。
2025-03-28 cs.CV
Image compression using anti-forensics method
Amrita Vishwa Vidyapeetham（阿姆rita大学）
大量的图像取证方法是可用的，能够识别图像篡改。但是这些技术都无法解决图像篡改痕迹隐藏的反取证问题。本文提出了一种数字图像压缩的反取证方法。这种反取证方法能够去除图像压缩的痕迹。此外，该技术还能够去除在压缩过程期间将图像划分为段的图像压缩算法所留下的块伪影的痕迹。该方法针对JPEG压缩中的压缩指纹进行去除。
2013-03-10 cs.CV cs.MM
Detection of Hate and Threat in Digital Forensics: A Case-Driven Multimodal Approach
University of Nevada, Reno（内华达大学雷诺分校）
本文提出一种基于案例的多模态方法，用于数字取证中的仇恨与威胁检测，通过区分文本证据、关联上下文文本和图像证据，提升取证的可追溯性和准确性。
2026-04-08 cs.AI cs.CV cs.LG
Applying Artificial Intelligence for Age Estimation in Digital Forensic Investigations
University of Warwick（华威大学）
儿童性虐待和性剥削（CSAE）受害者的精确年龄估计是最重要的数字法医挑战之一。调查人员通常需要通过查看图像和解释性发育阶段和其他人类特征来确定受害者的年龄。主要优先事项-保护儿童-往往受到法医工作大量积压、认知偏见和这项工作可能带来的巨大心理压力的不利影响。本文评估了现有的面部图像数据集，并提出了一个新的数据集，适合类似的数字法医研究的贡献的需求。这个由0至20岁的个体组成的小而多样的数据集包含245张图像，并与来自FG-NET数据集的82张独特图像合并，从而获得了总共327张图像，具有高图像多样性和低年龄范围密度。新数据集在IMDB-WIKI数据集上预训练的深度预期（DEX）算法上进行测试。10至15岁青少年和16至20岁青少年/成人的总体结果非常令人鼓舞-MAE低至1.79，但也表明0至10岁儿童的准确性需要进一步研究。为了确定原型的有效性，四个数字法医专家，包括两名法医调查员的宝贵投入，已被考虑到，以改善年龄估计结果。需要进一步的研究，以扩大数据集的图像密度和平等分布的因素，如性别和种族多样性。
2022-01-09 cs.CR cs.CV cs.LG
DF2023: The Digital Forensics 2023 Dataset for Image Forgery Detection
Austrian Institute of Technology（奥地利技术研究院）
针对篡改图像操纵舆论的威胁，发布包含百万张图像、覆盖拼接等四类伪造的DF2023数据集，以支持客观比较架构并减少数据准备成本。
2025-03-28 cs.CV
Exploring the Robustness of AI-Driven Tools in Digital Forensics: A Preliminary Study
University of Cagliari（卡利亚里大学）
本文评估Magnet AI与Excire Photo AI在数字取证分类中的鲁棒性，通过真实图像、聊天图像和deepfake测试发现其存在漏检与误分类，并提出改进建议。
2024-12-02 cs.CV
Contrast Enhancement Estimation for Digital Image Forensics
对比度增强中的不一致性可用于曝光图像。在这项工作中，我们描述了一种新的方法来估计对比度增强从一个单一的图像。我们的方法利用了对比度增强作为像素值之间的映射的性质，以及它引入图像像素直方图的独特特性。我们的方法恢复原始像素直方图和对比度增强同时从一个单一的图像与迭代算法。与以前的方法不同，我们的方法是鲁棒的存在加性噪声扰动，用于隐藏的对比度增强的痕迹。此外，我们还开发了一种有效的方法来检测图像区域进行对比度增强变换，是不同于其余的图像，并使用这种方法来检测合成图像。我们进行了广泛的实验评估，以证明我们的方法的有效性和效率。
2017-06-13 cs.CV
A New Approach for Image Authentication Framework for Media Forensics Purpose
Al Azhar University（爱资哈尔大学）
随着数字媒体在医疗、海洋、勘探、安全、军事、天文、犯罪证据等重要领域的广泛应用，数字图像根据其所承载信息的重要性而具有不同的欣赏价值。由于数字图像易于被计算机软件操纵的特性，使得陪审团在法庭上使用数字图像作为司法证据时，尤其是在数字图像作为证明犯罪嫌疑人与犯罪分子之间关系的主要证据时，产生了疑问。显然，在这里，数据的独创性保护方法的重要性，以检测未经授权的过程，如修改或复制，从而加强证据的保护，以保证犯罪的权利。在本文中，我们将介绍一种新的数字取证安全框架的数字图像认证和原件识别技术和相关的方法，算法和协议，适用于相机捕获的图像。该方法依赖于在RGB图像中植入密码，该密码应指示正在调查的图像上的任何未经授权的修改。秘密代码生成主要取决于两个主要参数类型，即图像特征和捕获设备标识符。在本文中，架构框架将进行分析，解释和讨论连同相关的协议，算法和方法。此外，除了图像基准测试和质量测试技术之外，还将分析和讨论密码推导和插入技术。
2021-10-03 cs.CR cs.CV
Source Camera Identification and Detection in Digital Videos through Blind Forensics
National Institute of Technology, Rourkela（鲁尔克拉国家理工学院）
针对数字视频源摄像机识别问题，提出基于特征提取、特征选择与分类的盲取证技术，利用机器学习确定视频声称的源是否为原始源，实验证明其优于传统指纹方法。
2023-09-06 cs.CV cs.LG eess.IV
Forensic Scanner Identification Using Machine Learning
Purdue University（普渡大学）
由于图像编辑工具的可用性和功能的增加，许多取证技术，如数字图像认证，源识别和篡改检测是重要的取证图像分析。在本文中，我们描述了一个基于机器学习的系统，以解决扫描仪设备的取证分析。该系统使用深度学习来自动学习各种扫描图像的内在特征。我们的实验结果表明，可以实现高精度的源扫描仪识别。所提出的系统还可以生成指示扫描图像中的操作区域的可靠性图。
2020-02-06 cs.CV
To Beta or Not To Beta: Information Bottleneck for DigitaL Image Forensics
Verisk AI, Verisk Analytics（韦睿斯克分析旗下韦睿斯克人工智能）；Vision and Security Technology (VAST) Lab（视觉与安全技术实验室）
本文提出InfoPrint，利用信息瓶颈和近似变分推断定位图像篡改区域，在标准数据集上超越现有方法，并能检测GAN修复的修改。
2019-08-11 cs.CV
On Matching Skulls to Digital Face Images: A Preliminary Approach
IIIT Delhi（印度德里信息技术学院）；West Virginia University（西弗吉尼亚大学）
颅骨与人脸图像的自动匹配在法医学中的应用是生物特征识别技术与法医学实际应用相结合的一个重要研究领域。这是一个机会，生物识别和人脸识别研究人员，以帮助执法和法医专家给予身份不明的人类头骨。这是一个极具挑战性的问题，由于缺乏与此问题有关的任何公开数据库，这一问题进一步加剧。这是在这个方向上的第一个研究，有两个方面的贡献：（i）介绍了第一个同类的头骨-面部图像对数据库，IdentifyMe，以及（ii）提出了一个初步的方法，使用所提出的半监督公式的变换学习。实验结果和与现有算法的比较显示了问题的挑战性。我们断言，该数据库的可用性将激励研究人员建立复杂的头骨到脸部的匹配算法。
2017-10-08 cs.CV
Synthesizing Black-box Anti-forensics DeepFakes with High Visual Quality
Nanchang University（南昌大学）；Purdue University in Indianapolis（普渡大学印第安纳波利斯分校）
针对现有DeepFake反取证攻击常牺牲视觉质量的问题，提出基于对抗性锐化掩码的黑盒反取证方法，可在干扰先进检测器的同时显著提升伪造图像的视觉质量。
2023-12-17 cs.AI cs.CV
Deep Image Restoration For Image Anti-Forensics
Yildiz Technical University（伊兹密尔技术大学）
本文提出利用深度图像复原模型改善传统反取证方法处理后的图像质量，使伪造图像更难被现有检测模型识别，并通过实验验证了其有效性。
2024-05-04 cs.CV
A Robust Image Forensic Framework Utilizing Multi-Colorspace Enriched Vision Transformer for Distinguishing Natural and Computer-Generated Images
University of Calicut（卡利卡特大学）；University of Southampton（南安普顿大学）
针对自然图像与生成图像分类及后处理攻击鲁棒性不足的问题，提出基于多色彩空间融合的富集视觉Transformer取证框架，在RGB和YCbCr空间联合提升分类精度与抗JPEG压缩、高斯噪声能力，测试准确率达94.25%。
2024-11-16 cs.CV
Security Consideration For Deep Learning-Based Image Forensics
The Institute of Electronics, Information and Communication Engineers（电子信息通信工程师协会）
近年来，基于深度学习技术的图像取证算法的研究受到了广泛关注，事实证明，将图像取证领域的知识与深度学习相结合，可以获得比传统方案更好的鲁棒性和性能。本文没有对其进行改进，而是考虑了图像取证领域中基于深度学习方法的安全性。据我们所知，这是第一次关注这个主题。具体来说，我们通过实验发现，使用深度学习的方法在向图像（对抗图像）中添加轻微噪声时会失败。在此基础上，提出了两种增强基于深度学习方法安全性的策略。首先在损失函数中增加一个额外的惩罚项，该惩罚项是损失函数相对于输入图像的梯度的2-范数，然后采用一种新的训练方法，通过融合正常图像和对抗图像对模型进行训练。实验结果表明，该算法在对抗性图像的情况下也能取得较好的性能，为基于深度学习的图像取证提供了安全考虑
2018-04-03 cs.CV cs.LG cs.MM
Preliminary Forensics Analysis of DeepFake Images
University of Catania（卡塔尼亚大学）
如今最可怕的现象之一是DeepFake：通过利用基于深度学习的算法自动替换图像和视频中的人脸的可能性。本文将简要概述能够生成DeepFake人脸图像的技术。这些图像的取证分析与标准的方法将被提出：毫不奇怪，最先进的技术是不能完全检测到的假货。为了解决这个问题，将通过分析频域中的异常来提出如何对抗DeepFake人脸图像的初步想法。
2020-08-04 cs.CV eess.IV
Toward Multimodal Interaction in Scalable Visual Digital Evidence Visualization Using Computer Vision Techniques and ISS
Forensic Lucid中的可视化要求与不同级别的案例知识抽象，表示，聚合以及操作方面有关，这是该提案的最终长期目标。它涵盖了从层次上下文的更精细的详细表示到Forensic Lucid程序，到记录的证据及其管理，它与程序的联系，评估以及GIPSY软件网络的管理。这包括在这些视图之间任意切换的能力，以及可用的多模式交互。目的是确定如何将调查结果应用于法医清醒和调查案件管理。因此，我们提出了一个可扩展的管理，可视化，并使用改进的交互式三维文件系统-无限空间系统-（ISS）的数字证据的评估表示，语义链接，并向数字调查者提供可使用的界面，该界面可通过使用包括手势以及眼睛注视和音频的计算机视觉技术的不同多模态交互技术来导航。
2018-08-01 cs.CR cs.CV cs.HC
Increased-confidence adversarial examples for deep learning counter-forensics
Beijing Jiaotong University（北京交通大学）；Beijing Key Laboratory of Advanced Information Science and Network Technology（北京先进信息科学与网络技术重点实验室）；University of Siena（锡耶纳大学）
对抗性样本的可移植性是将这种攻击应用于基于深度学习（DL）的多媒体取证（MMF）技术的关键问题。事实上，对抗性示例可转移性将为成功部署反取证攻击开辟道路，即使在攻击者不完全了解要攻击的系统的情况下。一些初步工作表明，对抗基于CNN的图像取证检测器的对抗性示例通常是不可转移的，至少在采用最流行的库中实现的攻击的基本版本时是如此。在本文中，我们介绍了一种通用的策略，以增加攻击的强度，并评估其可转移性时，这样的强度变化。我们的实验表明，以这种方式，攻击的可转移性可以大大增加，在一个更大的失真为代价。我们的研究证实了即使在多媒体取证场景中存在对抗性示例所带来的安全威胁，因此需要新的防御策略来提高基于DL的MMF技术的安全性。
2022-01-06 cs.CR cs.CV
Are Watermarks Bugs for Deepfake Detectors? Rethinking Proactive Forensics
College of Computer Science and Electronic Engineering, Hunan University（湖南大学计算机与电子工程学院）
针对水印可能干扰 Deepfake 检测器的问题，提出 AdvMark 框架，将鲁棒水印微调为对抗性水印，在不调整检测器的前提下提升下游 Deepfake 检测准确率并支持来源追踪。
2024-04-27 cs.CV eess.IV
Forged Image Detection using SOTA Image Classification Deep Learning Methods for Image Forensics with Error Level Analysis
University of Mumbai（孟买大学）；TIMSCDR；St. John College of Engineering and Management（圣约翰工程与管理学院）
计算机视觉领域的进步是使用深度学习机制带来的。图像取证是计算机视觉的主要应用领域之一。图像伪造是图像取证的一个子类别，可以通过错误水平分析来检测。使用这样的图像作为输入，这可以变成一个二进制分类问题，可以使用卷积神经网络的变体来利用这个问题。在本文中，我们执行迁移学习与国家的最先进的图像分类模型的错误水平分析引起的CASIA ITDE v.2数据集。使用的算法是VGG-19，Inception-V3，ResNet-152-V2，XceptionNet和EfficientNet-V2 L，以及它们各自的方法和结果。
2022-11-28 cs.CV cs.LG
Celeb-DF: A Large-scale Challenging Dataset for DeepFake Forensics
University at Albany, State University of New York（纽约州立大学奥尔巴尼分校）；University of Chinese Academy of Sciences（中国科学院大学）
人工智能合成的人脸交换视频，通常被称为DeepFakes，是一个威胁在线信息可信度的新兴问题。开发和评估DeepFake检测算法的需要需要大规模的数据集。然而，目前的DeepFake数据集的视觉质量很低，与互联网上流传的DeepFake视频并不相似。我们提出了一个新的具有挑战性的大规模DeepFake视频数据集Celeb-DF，其中包含5，639个使用改进的合成过程生成的名人的高质量DeepFake视频。我们对DeepFake检测方法和数据集进行了全面评估，以证明Celeb-DF带来的挑战升级。
2020-03-16 cs.CR cs.CV eess.IV
Deepfake Style Transfer Mixture: a First Forensic Ballistics Study on Synthetic Images
University of Catania（卡塔尼亚大学）；iCTLab Spinoff of University of Catania（卡塔尼亚大学iCTLab衍生公司）；Banca d’Italia（意大利银行）
最近基于生成架构的风格转移技术能够获得合成多媒体内容，或通常称为deepfakes，几乎没有伪影。研究人员已经证明，合成图像包含的模式不仅可以确定它是否是deepfake，还可以确定用于创建图像数据本身的生成架构。这些痕迹可以用来研究在deepfakes背景下从未解决过的问题。为此，本文提出了第一种方法来研究受风格转移操作影响的深度伪造图像的图像弹道学。具体来说，本文描述了一种研究，检测多少次的数字图像已处理的生成架构的风格转移。此外，为了准确地解决和研究deepfake图像上的法医弹道学，研究了样式转移操作的一些数学性质。
2022-03-18 cs.CV cs.LG eess.IV
