Holistic Image Manipulation Detection using Pixel Co-occurrence Matrices
Mayachitra Inc(Mayachitra公司);University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
数字图像取证旨在检测已被数字处理的图像。真实感图像的生成涉及到拼接、恢复、区域去除、平滑等多种处理方法的结合。虽然文献中的大多数检测方法集中在检测特定类型的操纵,但识别涉及大量操纵的篡改图像是具有挑战性的。在本文中,我们提出了一种新的方法来整体检测篡改图像使用像素共生矩阵和深度学习的组合。我们在像素域中的三个颜色通道上提取水平和垂直共生矩阵,并使用深度卷积神经网络(CNN)框架训练模型。我们的方法是不可知的类型的操纵和分类的图像篡改或未篡改。我们在超过86,000张图像的数据集上训练和验证我们的模型。实验结果表明,我们的方法是有前途的,并实现了超过0.99的曲线下面积(AUC)的评价指标的训练和验证子集。此外,我们的方法也很好地推广,并在一个看不见的测试数据集上实现了约0.81 AUC,该测试数据集包括作为媒体取证挑战(MFC)2020的一部分发布的19,740多张图像。在宣布挑战赛结果时,我们的得分是参加挑战赛的所有其他球队中最高的。
2021-04-12 cs.CV
Multi-spectral Class Center Network for Face Manipulation Detection and Localization
针对人脸篡改取证中现有定位方法频率痕迹挖掘不足的问题,提出含多光谱类中心模块与多级特征聚合模块的MSCCNet,在基准数据集上验证了有效性,为像素级人脸篡改定位研究提供新思路。
2024-07-13 cs.CV
When 2D Cues Fail: Improving Image Manipulation Localization with Reliable 3D Geometry
School of Computer Science and Technology, Xinjiang University(新疆大学计算机科学与技术学院)
研究针对二维线索在图像操纵定位中失效的问题,利用单目重建获取几何线索,设计几何感知框架GFrame,估计其可靠性并与RGB特征融合跨尺度传播,在有限预算下提升定位性能,证明三维几何可补充二维线索用于IML。
2026-07-21 cs.CV
DiffusionPrint: Learning Generative Fingerprints for Diffusion-Based Inpainting Localization
Information Technologies Institute, CERTH(信息科技研究所,CERTH)
本文提出DiffusionPrint,通过对比学习框架学习鲁棒于潜在解码引入的频谱畸变的取证信号,提升基于融合的图像伪造定位性能,实验表明在多个生成模型上均取得显著提升。
2026-04-14 cs.CV
Digital Video Manipulation Detection Technique Based on Compression Algorithms
Universidad Complutense de Madrid(马德里康普顿斯大学)
本文提出一种基于H.264压缩算法分析的取证技术,利用宏块信息和运动向量,通过支持向量机模型准确检测视频是否被重新压缩,以识别篡改。
2024-02-03 cs.CR cs.CV cs.LG
Fake face detection via adaptive manipulation traces extraction network
Hunan University(湖南大学);Nanjing University of Information Science and Technology(南京信息工程大学)
随着Face2Face和Deepfake等人脸图像处理技术的普及,更多的虚假人脸图像正在互联网上传播,这给公众的信心带来了严重挑战。人脸图像的伪造检测在特定的人脸暴露方面已经取得了长足的进步,但在复杂的场景下,如进一步压缩、模糊、缩放等,仍然缺乏鲁棒的伪造人脸检测器。由于卷积神经网络(CNN)结构相对固定,倾向于学习图像内容表示。但是,CNN应该学习图像取证任务的微妙操纵痕迹。因此,我们提出了一个自适应的操作痕迹提取网络(AMTEN),它作为预处理,以抑制图像内容和突出的操作痕迹。AMTEN利用自适应卷积层来预测图像中的操作轨迹,这些轨迹在后续层中被重用,以通过在反向传播过程中更新权重来最大化操作伪影。通过将AMTEN与CNN集成,构建了一个假人脸检测器,即AMTENnet。实验结果表明,该算法实现了较好的预处理效果。在检测各种人脸识别技术生成的虚假人脸图像时,AMTENnet的平均准确率高达98.52%,优于最先进的作品。当检测未知后处理操作的人脸图像时,检测器的平均准确率也达到95.17%。
2020-12-16 cs.CV
On the Detection of Digital Face Manipulation
Michigan State University(密歇根州立大学)
检测被操纵的面部图像和视频是数字媒体取证中越来越重要的主题。随着先进的人脸合成和操作方法的出现,正在创建新型的假脸表示,这引起了人们对它们在社交媒体中使用的严重关注。因此,它是至关重要的,以检测被操纵的人脸图像和定位被操纵的区域。我们提出利用注意力机制来处理和改进分类任务的特征图,而不是简单地使用多任务学习来同时检测被操纵的图像和预测被操纵的掩模(区域)。学习的注意力地图突出信息区域,以进一步改进二进制分类(真脸与假脸),并可视化操纵区域。为了使我们的研究操纵的人脸检测和定位,我们收集了一个大规模的数据库,其中包含许多类型的面部表情。通过这个数据集,我们对数据驱动的假人脸检测进行了全面的分析。我们表明,使用一个注意力机制提高了面部伪造检测和操纵区域定位。
2020-10-24 cs.CV
MVFNet: Multipurpose Video Forensics Network using Multiple Forms of Forensic Evidence
Drexel University(德雷塞尔大学)
提出MVFNet多用途视频取证网络,通过多尺度层次Transformer联合分析时空取证特征,检测修复、深度伪造、拼接和编辑等多种篡改,在通用场景达到最先进性能。
2025-03-26 cs.CV
Constrained R-CNN: A general image manipulation detection model
Hunan University(湖南大学)
最近,基于深度学习的模型在图像操纵检测方面表现出了卓越的性能。然而,它们中的大多数遭受手工或预定特征的差的通用性。同时,它们只注重手法的定位,而忽视手法的分类。为了解决这些问题,我们提出了一种名为约束R-CNN的粗到精架构,用于完整和准确的图像取证。首先,可学习的操纵特征提取器直接从数据中学习统一的特征表示。其次,注意区域建议网络有效地区分操纵区域,用于下一次操纵分类和粗定位。然后,跳跃结构融合低层次和高层次的信息,以改善全局操作功能。最后,粗定位信息引导模型进一步学习更精细的局部特征,并分割出篡改区域。实验结果表明,我们的模型达到了最先进的性能。特别是在NIST 16、COVERAGE和Columbia数据集上,F1得分分别增加了28.4%、73.2%和13.3%。
2020-03-15 cs.CV cs.MM
Zero-Shot Color Image Manipulation Localization via Noise Residual Artifact Pattern Analysis
INFOTEC Centro de Investigación e Innovación en Tecnologías de la Información y Comunicación(墨西哥信息通信技术研究与创新中心)
本研究提出一种零样本、无需训练的盲彩色图像篡改定位流程,通过噪声残留伪影模式分析实现,无需训练数据或设备注册,在与现有最先进被动方法的对比中展现出竞争力。
2026-08-24 cs.CV
Semantic Watermarking for Malicious Image Manipulation Detection
Korea University(高丽大学)
提出语义水印框架CLIP-VAE,结合β-VAE与通道感知训练,实现恶意图像篡改检测及语义方向识别,优于二进制哈希基线。
2026-10-01 cs.CV
GAP-SAM: A Global Artifact Prior for Generalizable AI-Generated Image Manipulation Localization
本研究针对AI生成图像篡改定位的分布外性能问题,提出GAP-SAM方法,通过构建COCO-ControlNet对齐语义与几何,利用全局伪影标记抑制语义边界捷径,在六个数据集上平均像素F1达79.8,优于现有方法且在各类图像退化下表现最佳。
2026-08-24 cs.CV
Information-containing Adversarial Perturbation for Combating Facial Manipulation Systems
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团);Hangzhou Dianzi University(杭州电子科技大学)
随着深度学习技术的发展,面部操作系统变得功能强大且易于使用。这样的系统可以修改给定面部图像的属性,例如头发颜色、性别和年龄。这些系统的恶意应用对个人的隐私和声誉构成严重威胁。现有的研究已经提出了各种方法来保护图像免受面部操作。被动防御方法的目标是检测人脸的真假,这对后验取证有效,但不能防止恶意操纵。主动防御方法通过向图像中注入对抗性扰动来破坏面部操作系统,从而预先保护图像,但无法识别图像是否是假的。针对现有方法的局限性,提出了一种新的两层保护方法--含信息对抗扰动(IAP)方法,该方法对人脸图像提供了更全面的保护。我们使用编码器将人脸图像及其身份信息映射到跨模型对抗示例,该示例可以破坏多个人脸操作系统以实现主动保护。使用解码器在对抗性示例中恢复消息可以提供被动保护,有助于来源跟踪和虚假图像检测。我们引入了一个特征级的相关性测量,它比常用的均方误差更适合于测量人脸图像之间的差异。此外,我们提出了一个频谱扩散方法来传播消息到不同的频率通道,从而提高了鲁棒性的面部操纵的消息。大量的实验结果表明,我们提出的IAP可以从对抗性示例中恢复消息,具有较高的平均准确率,并有效地破坏面部操作系统。
2023-03-21 cs.CV
FRAME: Forensic Routing and Adaptive Multi-path Evidence Fusion for Image Manipulation Detection
Brigham Young University;Rutgers University
FRAME通过多路径分析空间整合多种取证算法,自适应选择信息量大的路径并融合互补证据,提升图像篡改检测与定位性能。
2026-05-12 cs.AI cs.CV
Propose and Rectify: A Forensics-Driven MLLM Framework for Image Manipulation Localization
Department of Electrical Engineering, City University of Hong Kong(香港城市大学电子工程系);Rapid-Rich Object Search (ROSE) Lab, School of Electrical and Electronic Engineering, Nanyang Technology University(南洋理工大学电子与电气工程学院快速丰富对象搜索(ROSE)实验室);Shanghai Jiao Tong University(上海交通大学)
针对图像篡改定位中MLLMs难以感知低层次取证痕迹的问题,提出Propose-Rectify框架,结合取证适配LLaVA的语义提议、多尺度取证修正模块及SAM增强分割模块,实现精准定位,在多数据集上取得SOTA性能。
2025-08-25 cs.CV eess.IV
Effectiveness of random deep feature selection for securing image manipulation detectors against adversarial examples
University of Siena(锡耶纳大学);Xidian University(西安电子科技大学)
我们研究了[1]中提出的随机特征选择方法是否可以扩展到基于深度学习特征的检测器,以提高取证检测器对目标攻击的鲁棒性。特别是,我们研究了针对原始CNN图像操作检测器的对抗性示例到其他检测器(全连接神经网络和线性SVM)的可转移性,这些检测器依赖于从原始网络的扁平层提取的特征的随机子集。我们通过考虑三个图像操作检测任务(滤波,中值滤波和自适应直方图均衡化),两个原始网络架构和三类攻击得到的结果表明,特征随机化有助于阻碍攻击的可转移性,即使在某些情况下,简单地改变检测器的架构,甚至重新训练检测器就足以防止攻击的可转移性。
2019-12-26 cs.CR cs.CV cs.LG
SLIC: Secure Learned Image Codec through Compressed Domain Watermarking to Defend Image Manipulation
National Taiwan University(台湾大学)
本文提出SLIC安全学习图像编解码器,通过在压缩域潜空间嵌入对抗性水印,使被篡改图像在重压缩时产生可见质量退化,从而主动防御图像篡改与再分发。
2024-10-19 cs.AI cs.CV
ForensicTransfer: Weakly-supervised Domain Adaptation for Forgery Detection
University Federico II of Naples(那不勒斯费德里科二世大学);Technical University of Munich(慕尼黑工业大学);University of Erlangen-Nuremberg(埃尔朗根-纽伦堡大学)
随着新的复杂图像伪造方法的出现,区分操纵图像和真实图像变得越来越困难。基于卷积神经网络(CNN)的朴素分类方法在特定伪造方法上训练时,在检测图像操纵方面表现出优异的性能。然而,在看不见的操纵方法的例子中,它们的性能显着下降。为了解决这种可转移性的限制,我们引入了Forensic-Transfer(FT)。我们设计了一种基于学习的取证检测器,它可以很好地适应新的领域,即,新的操作方法,可以处理在训练过程中只有少数假例子可用的情况。为此,我们学习了一种基于新型自动编码器架构的取证嵌入,该架构可用于区分真实图像和虚假图像。学习的嵌入充当异常检测器的一种形式;也就是说,从看不见的方法操作的图像将被检测为假的,只要它映射到离真实图像集群足够远的地方。与以前的作品相比,FT显示出显着的可移植性,我们证明了在一系列的实验中的尖端基准的改善。例如,在看不见的例子中,我们的准确率高达85%,而在少数可见的例子中,我们的性能已经达到了95%左右。
2019-11-27 cs.CV
Seamless Copy Move Manipulation in Digital Images
Hazara University(哈扎拉大学);University of Nizwa(尼兹瓦大学)
数字图像取证的重要性和相关性吸引了研究人员建立不同的技术来创建以及检测取证。被动图像伪造的核心是复制-移动图像伪造,它通过对图像进行不同的变换来影响图像的原始性。本文提出了一种频域图像处理方法,该方法利用离散小波变换(DWT)的局部化特性来把握宿主图像的待处理区域。在同一层$l$上对图像进行离散小波变换,得到$3l + 1$子带,并将图像的每个子带粘贴到宿主图像相应子带的识别区域。然后对得到的经操纵的宿主子带进行逆DWT以得到最终的经操纵的宿主图像。所提出的方法显示出良好的抵抗检测的两个频域伪造检测方法从文献中。这项研究工作的目的是创建伪造和强调需要产生伪造检测方法,是强大的恶意复制移动伪造。
2021-10-12 cs.CV cs.MM
BioFors: A Large Biomedical Image Forensics Dataset
USC Information Sciences Institute(南加州大学信息科学研究所)
媒体取证研究在打击错误信息传播方面取得了进展。然而,大多数研究都是针对社交媒体上生成的内容。生物医学图像取证是一个相关的问题,其中生物医学研究文件中报告的图像的操纵或滥用是严重关切的问题。由于缺乏基准数据集和标准化任务,这个问题未能超越学术讨论。在本文中,我们提出了BioFors -第一个数据集基准常见的生物医学图像操作。BioFors包含从1,031篇开源研究论文中提取的47,805张图像。BioFors中的图像分为四类-显微镜,印迹/凝胶,流式细胞仪和宏观。我们还提出了取证分析的三项任务--外部重复检测、内部重复检测和剪切/急剧转换检测。我们使用合适的最先进的算法对所有任务进行基准测试。我们的研究结果和分析表明,现有的算法开发的共同计算机视觉数据集不强大时,应用于生物医学图像,验证需要更多的研究,以解决独特的挑战,生物医学图像取证。
2021-08-30 cs.CV
A Transferable Anti-Forensic Attack on Forensic CNNs Using A Generative Adversarial Network
Drexel University(德雷塞尔大学)
随着深度学习的发展,卷积神经网络(CNN)已广泛用于多媒体取证,用于检测和识别图像伪造等任务。与此同时,反取证攻击已经被开发出来,以欺骗这些基于CNN的取证算法。以前的反取证攻击通常被设计为删除由单个操作而不是一组操作留下的伪造痕迹。此外,最近的研究表明,现有的针对法医CNN的反法医攻击具有很差的可转移性,即它们无法欺骗在训练期间未明确使用的其他法医CNN。在本文中,我们提出了一个新的反取证攻击框架,旨在消除各种操纵操作留下的取证痕迹。这种攻击是可转移的,也就是说,它可以用来攻击攻击者不知道的法医CNN,并且它只会引入人眼无法感知的最小失真。我们提出的攻击利用生成对抗网络(GAN)来构建一个可以攻击任何大小的彩色图像的生成器。我们通过使用一种新的训练策略和损失函数来实现攻击的可转移性。我们进行了广泛的实验,以证明我们的攻击可以欺骗许多最先进的法医CNN,攻击者可以获得不同程度的知识。
2021-01-23 cs.CV eess.IV
Deepfake Forensic Analysis: Source Dataset Attribution and Legal Implications of Synthetic Media Manipulation
Department of Mathematics and Computer Science(数学与计算机科学系);University of Catania(卡塔尼亚大学)
本研究提出一种基于多特征分析的GAN生成图像源数据集归因取证框架,实现98%-99%的分类准确率,并探讨其在版权、隐私合规等法律场景的应用价值。
2025-05-16 cs.CV
MVSS-Net: Multi-View Multi-Scale Supervised Networks for Image Manipulation Detection
Renmin University of China(中国人民大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所)
由于通过复制移动、拼接和/或修补来操纵图像可能会导致对视觉内容的误解,因此检测这些操纵对于媒体取证至关重要。考虑到对内容的各种可能的攻击,设计一个通用的方法是不平凡的。当前基于深度学习的方法在训练和测试数据很好地对齐时很有前途,但在独立测试中表现不佳。此外,由于缺乏真实的测试图像,它们的图像级检测特异性受到质疑。关键问题是如何设计和训练一个深度神经网络,它能够学习对新数据中的操作敏感的可推广特征,同时又能防止真实数据的误报。我们提出了多视图特征学习,以共同利用篡改边界文物和输入图像的噪声视图。由于这两条线索都是语义不可知的,因此学习的特征是可推广的。为了有效地从真实图像中学习,我们使用多尺度(像素/边缘/图像)监督进行训练。我们将新的网络称为MVSS-Net及其增强版本MVSS-Net++。在数据集内和跨数据集的情况下进行的实验表明,MVSS-Net++表现最好,并表现出更好的鲁棒性对JPEG压缩,高斯模糊和基于屏幕截图的图像重新捕获。
2022-06-06 cs.AI cs.CV
Evidence-Grounded Forensic Reasoning for Detecting and Grounding Multi-Modal Media Manipulation
本文针对多模态媒体篡改检测与定位问题,提出基于证据的取证推理框架,结合锚定-验证推理链、可验证奖励系统与模态解耦优势路由机制,实现最优性能与可解释性的统一。
2026-08-11 cs.AI cs.CV
Impostor: An Agent-Curated Benchmark for Realistic AIGC Manipulation Localization
Southeast University(东南大学);Xiaohongshu Inc.(小红书公司);Tsinghua University(清华大学)
为解决现有图像篡改检测与定位基准在视觉真实感、篡改多样性和生成器覆盖方面的局限,提出了Impostor数据集和CraftAgent框架,并设计了PhaseAware-Net方法,在多个基准上取得优异性能。
2026-06-03 cs.CV
VideoFACT: Detecting Video Forgeries Using Attention, Scene Context, and Forensic Traces
Drexel University(德雷塞尔大学)
假视频是一个重要的错误信息威胁。虽然现有的取证网络在图像伪造方面表现出了强大的性能,但Adobe VideoSham数据集最近的结果显示,这些网络无法识别视频中的虚假内容。在本文中,我们表明,这是由于视频编码,它引入了局部变化到法医痕迹。作为回应,我们提出了VideoFACT -一种新的网络,能够检测和定位各种各样的视频伪造和操纵。为了克服现有网络在分析视频时面临的挑战,我们的网络利用取证嵌入来捕获操纵留下的痕迹,上下文嵌入来控制视频编码引入的取证痕迹的变化,以及深度自我注意力机制来估计本地取证嵌入的质量和相对重要性。我们创建了几个新的视频伪造数据集,并使用这些数据集以及公开可用的数据来实验性地评估我们的网络性能。这些结果表明,我们提出的网络能够识别各种视频格式,包括那些在训练过程中没有遇到的格式。此外,我们还表明,我们的网络可以进行微调,以在具有挑战性的基于人工智能的操作中实现更强的性能。
2023-03-10 cs.AI cs.CV
From Detection to Localization: A Unified Forensics Framework for Fully Synthetic and Tampered Images
University of Padova(帕多瓦大学)
本研究针对生成式模型带来的图像篡改检测难题,提出统一多类取证框架,兼具分类与像素级定位能力,性能优于近期基准。
2026-09-03 cs.CV
Zooming into Face Forensics: A Pixel-level Analysis
Communication University of China(中国传媒大学);JD AI Research(京东AI研究院);Shanghai University(上海大学)
人脸处理方法的惊人进步使得合成逼真的假人脸图像成为可能,这对我们的社会构成了潜在的威胁。因此迫切需要人脸取证技术来区分那些被篡改的图像。一个大规模的数据集“FaceForensics++”提供了大量的训练数据,这些数据来自于主要的人脸操作方法,以促进防伪研究。然而,以前的工作更侧重于铸造它作为一个分类问题,只考虑一个全球性的预测。通过对该问题的研究,我们发现训练分类网络往往无法捕获高质量的特征,这可能导致次优解决方案。在本文中,我们通过进行像素级分析来放大问题,即将其制定为像素级分割任务。通过对分割和分类任务的多个架构进行评估,我们展示了从分割角度看待问题的优越性。还进行了不同的消融研究,以调查是什么使一个有效和高效的防伪模型。还建立了强有力的基线,我们希望,这可以为面部法医学领域提供一些启示。
2019-12-12 cs.CV
Training-Free In-Context Forensic Chain for Image Manipulation Detection and Localization
ICFC提出一种无需训练的多模态大语言模型框架,用于图像篡改检测与定位,通过可解释的推理流程实现高效且准确的图像分析。
2026-01-21 cs.AI cs.CR cs.CV
VAAS: Vision-Attention Anomaly Scoring for Image Manipulation Detection in Digital Forensics
Forensics and Security Research Group, South East Technological University(法医与安全研究组,南东技术大学);Security Research Group, School of Computer Science, University College Dublin(安全研究组,计算机科学学院,都柏林大学学院)
VAAS通过整合视觉注意力和片段一致性评分,提出一种双模块框架用于图像篡改检测,提升检测精度和可解释性。
2025-12-17 cs.CV cs.MM
An Overview of Recent Work in Media Forensics: Methods and Threats
Purdue University(普渡大学)
在本文中,我们回顾了媒体取证的数字图像,视频,音频(特别是语音)和文档的最新工作。对于每一种数据形态,我们讨论的合成和操作技术,可用于创建和修改数字媒体。然后,我们审查检测和量化这种操纵的技术进步。最后,我们认为开放的问题,并建议未来的研究方向。
2022-05-12 cs.CV cs.MM
AutoSplice: A Text-prompt Manipulated Image Dataset for Media Forensics
University at Buffalo, State University of New York(纽约州立大学布法罗分校)
本文提出AutoSplice数据集,利用DALL-E2按文本提示自动生成并拼接图像区域,包含5,894张图像,用于研究语言-图像生成模型对媒体取证中伪造检测与定位任务的挑战。
2023-04-14 cs.CV
ManiVid: Unified and Explainable Forensic Analysis of Manipulated Videos
Shanghai Jiao Tong University(上海交通大学);Beijing University of Posts and Telecommunications(北京邮电大学);Fudan University(复旦大学);The Chinese University of Hong Kong(香港中文大学);Shanghai AI Laboratory(上海人工智能实验室);Tsinghua University(清华大学)
针对篡改视频取证中数据稀缺和MLLM难以利用低级线索的问题,提出ManiVid任务、ManiVid-38K数据集及ManiVidLens统一框架,实现检测、定位与解释,显著提升定位和解释性能。
2026-09-28 cs.CV
Diffusion-Driven Deceptive Patches: Adversarial Manipulation and Forensic Detection in Facial Identity Verification
本文提出了一种基于扩散模型的对抗性补丁生成与检测方法,通过FGSM和ViT-GPT2模型提升对抗性攻击的隐蔽性与有效性,并实现了高SSIM的检测性能。
2026-01-14 cs.AI cs.CV
RelayFormer: A Unified Local-Global Attention Framework for Scalable Image and Video Manipulation Localization
Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院,清华大学);College of Artificial Intelligence, Nankai University(南开大学人工智能学院);College of Computer Science and Software Engineering, Shenzhen University(深圳大学计算机科学与软件工程学院);Huawei Technologies Co., Ltd(华为技术有限公司)
提出RelayFormer统一框架,通过全局局部中继(GLR)令牌和中继注意力机制,适应不同分辨率并统一处理图像与视频,在篡改定位任务中实现高效且性能优越。
2026-06-11 cs.AI cs.CV
ForensicsTok: Forensics-Guided Tokenized Modeling for Image Tampering Localization
Shenzhen University(深圳大学);Tencent Youtu Lab(腾讯优图实验室);Shenzhen MSU-BIT University(深圳北理莫斯科大学)
提出ForensicsTok,将图像篡改定位重构为自回归序列生成任务,通过Token Splatting解码器和分层专家融合模块,直接生成空间定位的令牌序列,避免中间监督,在六个基准上超越现有MLLM方法并略优于强法医基线。
2026-06-25 cs.CV
Adversarial Attack on Deep Learning-Based Splice Localization
Verisk Analytics;UCCS(科罗拉多大学科罗拉多斯普林斯分校)
关于图像取证,研究人员已经提出了各种方法来检测和/或定位操作,例如拼接。最近表现最好的图像取证算法极大地受益于深度学习的应用,但这些工具可能容易受到对抗攻击的攻击。由于大多数提出的对抗性示例生成技术只能在端到端分类器上使用,因此尚未研究仅将深度学习用于特征提取的图像取证方法的对抗性鲁棒性。使用能够直接调整补丁的底层表示的新算法,我们在三个非端到端的基于深度学习的剪接定位工具上证明了通过对抗攻击隐藏图像操作是可行的。虽然测试的图像取证方法,EXIF-SC,SpliceRadar和Noiseprint,依赖于在不同的代理任务上训练的特征提取器,但我们发现,所形成的对抗性扰动可以在它们之间转移,因为它们的定位性能会恶化。
2020-04-17 cs.CV
Comprehensive Dataset of Synthetic and Manipulated Overhead Imagery for Development and Evaluation of Forensic Tools
Drexel University(德雷塞尔大学)
本文提出了一种综合性合成与 manipulated 天顶影像数据集,用于开发和评估取证工具,支持可控生成多种操纵类别及任务基准性能。
2023-05-09 cs.CR cs.CV
SpliceRadar: A Learned Method For Blind Image Forensics
Verisk AI, Verisk Analytics(Verisk分析公司Verisk人工智能部门);Vision and Security Technology (VAST) Lab(视觉与安全技术(VAST)实验室)
随着图像编辑软件的方便使用,像拼接这样的图像操作的检测和定位变得越来越重要。虽然检测会对图像做出判断,但它并不提供对操作的洞察。定位通过识别图像中已被篡改的像素来帮助解释阳性检测。我们提出了一种基于深度学习的拼接定位方法,无需测试图像的相机模型的先验知识。它包括一种新的方法,用于学习丰富的过滤器和抑制图像边缘。此外,我们训练我们的模型上的相机模型识别,这使我们能够利用大型和广泛可用的,未经处理的,相机标记的图像数据库的代理任务。在推理过程中,我们假设拼接区域和宿主区域来自不同的相机模型,我们使用高斯混合模型分割这些区域。在三个测试数据库上的实验结果表明,该方法的结果与现有技术相当或更高,并且对未知数据集具有良好的泛化能力。
2019-06-27 cs.CV
ForensicZip: More Tokens are Better but Not Necessary in Forensic Vision-Language Models
Great Bay University(大湾大学);Shenzhen University(深圳大学);Harbin Institute of Technology(哈尔滨工业大学);School of Cyber Science and Technology, Sun Yat-sen University(中山大学网络安全科学与技术学院)
ForensicZip通过引入无需训练的框架,从伪造驱动的角度重新定义令牌压缩,利用最优传输问题量化物理不连续性,实现高压缩率下的取证证据分离与高效检测性能。
2026-03-12 cs.CV
Explainable Forensics of Manipulated Segments in Untrimmed Long Videos
MoE Key Laboratory of Brain-Machine Intelligence Technology, College of Artificial Intelligence, Nanjing University of Aeronautics(脑机智能技术关键实验室、人工智能学院、南京航空航天大学);Dalian University of Technology(大连理工大学);Nanjing University(南京大学);National University of Singapore(新加坡国立大学)
针对长视频中AI生成片段的定位与解释任务,提出TASLE基准数据集和MSLoc粗到细取证方法,实现时序定位、真实性检测与可解释分析。
2026-06-01 cs.CV
Bridging the Micro--Macro Gap: Frequency-Aware Semantic Alignment for Image Manipulation Localization
School of Computer Science;Engineering, Sun Yat-sen University Guangzhou China;Engineering, Sun Yat-sen University
本文提出FASA框架,通过自适应双频带DCT模块提取操纵敏感频率特征,结合冻结CLIP表示的补丁级对比对齐学习语义先验,实现传统和扩散生成操纵的精准本地化。
2026-08-05 cs.CV
ForensicHub: A Unified Benchmark & Codebase for All-Domain Fake Image Detection and Localization
ForensicHub 提出一个统一的基准与代码库,用于所有领域伪造图像检测与定位,通过模块化架构和配置驱动设计,实现跨领域灵活组合和深入分析。
2026-01-27 cs.CV
Attack-Aware Deepfake Detection under Counter-Forensic Manipulations
King Fahd University of Petroleum and Minerals(国王法赫德石油矿物大学);SDAIA-KFUPM Joint Research Center for Artificial Intelligence(SDAIA-KFUPM人工智能联合研究中心)
本文提出了一种结合红队训练和随机测试时防御的深度伪造检测方法,通过双流架构和热图生成,实现鲁棒性和可操作的攻击感知检测。
2025-12-26 cs.AI cs.CV
Omni-IML: Towards Unified Image Manipulation Localization
South China University of Technology(华南理工大学);The Chinese University of Hong Kong(香港中文大学);Intsig Information Co., Ltd(Intsig信息有限公司)
提出首个统一图像篡改定位的通用模型Omni-IML,通过模态门编码器、动态权重解码器和异常增强模块实现跨任务泛化,并构建Omni-273k数据集支持篡改解释,单一模型在四个主要IML任务上达到SOTA。
2025-04-29 cs.CR cs.CV cs.LG
Pixel-Inconsistency Modeling for Image Manipulation Localization
Nanyang Technology University(南洋理工大学);School of Electrical and Electronic Engineering(电子电气工程学院);Rapid-Rich Object Search (ROSE) Lab(快速富对象搜索实验室);School of Computer Science and Engineering(计算机科学与工程学院);Sun Yat-sen University(中山大学);City University of Hong Kong(香港城市大学);University of Campinas(坎皮纳斯大学);Institute of Computing(计算机研究所);Artificial Intelligence Laboratory (Recod.ai)(人工智能实验室(Recod.ai))
本文提出基于像素不一致性建模的图像篡改定位方法,通过全局与局部双流特征、学习加权模块及像素不一致性数据增强策略,在12个数据集上取得领先的泛化与鲁棒性表现。
2024-11-19 cs.CR cs.CV eess.IV
Revisiting Cross-Reconstruction for Generalizable Deepfake Detection
National Engineering Research Center for Multimedia Software, School of Computer Science, Wuhan University(武汉大学计算机学院多媒体软件国家工程研究中心)
针对深度伪造检测泛化难的问题,提出面向伪影的解缠框架,通过语义对齐的跨生成器重建保留伪影多样性,并引入掩蔽频率感知重建,提升跨数据集和跨生成器的检测性能。
2026-10-02 cs.CV
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
Attribution-Guided Multimodal Deepfake Detection via Cross-Modal Forensic Fingerprints
School of Interdisciplinary Science, Beijing Institute of Technology, Beijing 100081, China(交叉学科学院,北京理工大学,北京100081,中国)
本文提出AMDD框架,通过跨模态取证指纹一致性损失,引导模型学习生成器特定的取证特征,提升多模态深度伪造检测的准确性和鲁棒性。
2026-04-29 cs.CV
FUSED: Forensic-Semantic Mixture-of-Experts for AI Inpainting Detection and Localization
Informatics Institute, University of Amsterdam(阿姆斯特丹大学信息学研究所)
针对AI图像修复检测与定位的分布偏移问题,提出FUSED框架,结合取证线索与语义特征,在跨生成器基准上实现最优检测与定位,迁移性能显著提升。
2026-08-31 cs.CV
Dissecting Agentic Forensics: The Role of Triage, Prompting, and Evidence Arbitration in Open-World Fake Image Detection
University of Siena(锡耶纳大学);IMT School for Advanced Studies Lucca(IMT卢卡高等研究院)
本研究通过无训练智能体框架剖析分流、提示与推理在开放世界图像取证中的作用,发现推理质量是性能主导因素,核心挑战在于校准信任与仲裁证据而非检测操作。
2026-09-22 cs.AI cs.CR 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
Disharmony: Forensics using Reverse Lighting Harmonization
The Pennsylvania State University(宾夕法尼亚州立大学);Pacific Northwest National Laboratory(太平洋西北国家实验室)
针对现有图像取证模型难检测与背景协调的篡改物体的问题,本研究提出Disharmony Network,结合协调数据与分割模型,在聚合数据集上表现优于现有取证网络,还可检测虚拟试穿等多种编辑形式。
2025-01-17 cs.CV
CycleGAN without checkerboard artifacts for counter-forensics of fake-image detection
Tokyo Metropolitan University(东京都立大学)
在本文中,我们提出了一种新的CycleGAN没有棋盘文物反取证的假图像检测。最近图像处理工具和深度图像合成技术的快速发展,如生成对抗网络(GANs)很容易生成虚假图像,因此检测被操纵的图像已成为一个紧迫的问题。大多数最先进的伪造检测方法假设图像包括通过使用DNN生成的棋盘伪影。因此,我们提出了一种新的CycleGAN没有任何棋盘文物的反取证的假图像检测方法的第一次,作为一个例子的GANs没有棋盘文物。
2020-12-01 cs.CV eess.IV