Attacking Image Splicing Detection and Localization Algorithms Using Synthetic Traces
深度学习的最新进展使取证研究人员能够开发出一类新的图像拼接检测和定位算法。这些算法通过使用Siamese神经网络检测取证痕迹中的局部不一致来识别拼接内容,无论是在分析期间显式地还是在训练期间隐式地。与此同时,深度学习还实现了新形式的反取证攻击,例如对抗性示例和基于生成对抗网络(GAN)的攻击。然而,到目前为止,没有反取证攻击已被证明对图像拼接检测和定位算法。在本文中,我们提出了一种新的基于GAN的反取证攻击,能够欺骗最先进的拼接检测和定位算法,如EXIF-Net,Noiseprint和Forensic Similarity Graphs。这种攻击通过对抗一组暹罗神经网络来训练反取证生成器,以便它能够创建合成的取证痕迹。经过分析,这些合成痕迹看起来是真实的,并且在整个图像中是自洽的。通过一系列的实验,我们证明了我们的攻击是能够愚弄法医拼接检测和定位算法,而不会引入视觉上可检测的文物到攻击图像。此外,我们证明了我们的攻击优于现有的替代攻击方法。%
2022-11-22 cs.CV cs.LG eess.IV
Exposing Image Splicing Traces in Scientific Publications via Uncertainty-guided Refinement
Beihang University(北京航空航天大学);Ocean University of China(中国海洋大学);Great Bay University(大湾区大学)
针对科学出版物图像拼接检测难、相关数据集稀缺的问题,提出不确定性引导细化网络URN以抑制干扰、提取鲁棒特征,构建含1290张图像的SciSp数据集,实验证明该方法性能更优且泛化、鲁棒性强。
2024-04-18 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
ForensicZoom: Adaptive Visual Inspection with Multimodal LLMs for Industrial-Grade Face Forgery Detection
针对人脸伪造检测中细微伪影难以捕捉及计算效率问题,提出ForensicZoom框架,通过NEED_ZOOM机制自适应放大可疑区域,结合奖励塑形与归因优化,在工业数据上实现97%以上TPR@0.1%FPR,兼顾准确性与可解释性。
2026-09-29 cs.CV
SISL:Self-Supervised Image Signature Learning for Splicing Detection and Localization
Indian Institute of Science(印度科学学院);Ola Electric(奥拉电气);Verisk AI Research(韦里斯克人工智能研究院)
最近的图像操纵检测算法几乎完全使用深度网络模型。这些方法需要密集的像素地面实况掩码、相机id或图像元数据来训练网络。一方面,构建一个训练集来表示无数的篡改可能性是不切实际的。另一方面,社交媒体平台或商业应用程序通常被限制从图像中删除相机ID以及元数据。一种用于训练操纵检测模型的自监督算法,无需密集的地面实况或相机/图像元数据,对于许多取证应用非常有用。在本文中,我们提出了自监督的方法来训练拼接检测/定位模型的图像的频率变换。为了识别拼接区域,我们的深度网络学习了一种表示,通过强制(图像)自我一致性来捕获图像特定签名。我们的实验表明,我们提出的模型可以产生类似或更好的性能的标准数据集上的多个现有的方法,而不依赖于标签或元数据。
2022-03-15 cs.CV
Differential Imaging Forensics
Massachusetts Institute of Technology(麻省理工学院);Universidad Politécnica de Madrid(马德里理工大学);CIBER-BBN;Linköpings Universitet(林雪平大学)
我们介绍了一些新的取证的基础上差分成像,其中一个新的类别的视觉证据创建通过微妙的相互作用的光与场景,如昏暗的反射,可以计算提取和放大感兴趣的图像,通过比较分析与一个额外的参考基线图像在类似的条件下获得。这种差分成像取证(DIF)的范例首次使法医检查员能够检索所述视觉证据,所述视觉证据在图像或视频片段中容易获得,但否则将保持微弱甚至不可见。我们通过实际实验证明了我们的方法的相关性和有效性。我们还表明,DIF提供了一种新的方法来检测伪造的图像和视频片段,包括深度伪造。
2019-06-12 cs.CR cs.CV cs.MM
Frame-rate Up-conversion Detection Based on Convolutional Neural Network for Learning Spatiotemporal Features
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);School of Electrical Engineering(电气工程学院)
随着用户友好和强大的视频编辑工具的进步,任何人都可以轻松地操纵视频,而不会留下明显的视觉痕迹。帧速率上转换(FRUC)是一种代表性的时域操作,其增加了具有较低帧率的视频的运动连续性,并且被恶意伪造者用于视频篡改,例如生成假帧率视频而不提高质量或混合时间拼接的视频。FRUC基于帧插值方案,并且保留在插值帧中的细微伪影通常难以区分。因此,检测这种伪造痕迹是视频取证中的一个关键问题。本文提出了一种帧速率转换检测网络(FCDNet),它以端到端的方式学习FRUC引起的取证特征。所提出的网络使用连续帧的堆栈作为输入,并使用网络块来学习时空特征,从而有效地学习插值伪影。本研究首次尝试将神经网络应用于FRUC的检测。此外,它可以涵盖以下三种类型的帧内插方案:最近邻内插,双线性内插和运动补偿内插。与利用所有帧来验证完整性的现有方法相比,所提出的方法实现了高检测速度,因为它只观察六帧来测试其真实性。为了验证我们的研究成果,我们使用传统的取证方法和神经网络进行了大量的视频取证实验。该网络在检测FRUC的内插伪影方面达到了最先进的性能。实验结果还表明,我们的训练模型对于看不见的数据集,未学习的帧速率和未学习的质量因子是鲁棒的。
2021-03-25 cs.AI cs.CV cs.MM
TGIF2: Extended Text-Guided Inpainting Forgery Dataset & Benchmark
Ghent University – imec(根特大学 - imec);CERTH(希腊研究与技术中心)
TGIF2数据集与基准针对文本引导修复中伪造本地化挑战,通过FLUX.1模型和随机非语义掩码扩展数据集,评估IFL和SID方法的鲁棒性,揭示生成修复对现有防伪流程的削弱。
2026-03-30 cs.AI cs.CR cs.CV
Can ChatGPT Perform Image Splicing Detection? A Preliminary Study
Arizona State University(亚利桑那州立大学)
本文初步研究GPT-4V在无微调条件下通过零样本、少样本和思维链提示检测图像拼接篡改,零样本准确率超85%,并展现基于现实世界知识的可解释推理能力,表明其作为图像取证灵活工具的潜力。
2025-05-22 cs.AI cs.CR cs.CV
Digital image splicing detection based on Markov features in QDCT and QWT domain
图像拼接检测在数字取证中具有重要意义,近年来受到了广泛的关注。提出了一种基于四元数离散余弦变换(QDCT)域和四元数小波变换(QWT)域四元数分量分离的马尔可夫转移概率的彩色图像拼接检测方法。首先,从QDCT系数的实部和三个虚部分别得到块内和块间QDCT系数的马尔可夫特征;然后,从四元数小波变换域的亮度(Y)通道中提取额外的马尔可夫特征来表征四元数小波子带系数之间的位置依赖性。最后,集成分类器(EC)被用来分类的拼接和真实的彩色图像。实验结果表明,该方法可以优于一些国家的最先进的方法。
2017-12-21 cs.CR cs.CV
Splicing Detection and Localization In Satellite Imagery Using Conditional GANs
Purdue University(普渡大学);Politecnico di Milano(米兰理工大学)
图像编辑工具的广泛可用性和图像处理技术的改进使得图像操作变得非常容易。通常,易于使用但复杂的图像处理工具会产生人类观察者无法察觉的失真/变化。伪造图像的传播可能会产生严重的后果,特别是当与互联网的速度和广度相结合时。因此,验证图像的完整性对数字取证社区提出了巨大而重要的挑战。卫星图像可以通过多种方式进行修改,包括插入物体以隐藏现有场景和结构。在本文中,我们描述了使用条件生成对抗网络(cGAN)来识别卫星图像中这种拼接森林的存在。此外,我们还确定了它们的位置和形状。在原始图像和伪造图像上训练,我们的方法在这些检测和定位目标上取得了很高的成功。
2022-05-03 cs.CV cs.LG eess.IV
Swin Meets EfficientNet: Lightweight Architectures for GAN-Based Face Forensics
International Institute of Information Technology, Bangalore(国际信息技术学院(班加罗尔));Ulster University(阿尔斯特大学);Dr B R Ambedkar National Institute of Technology Jalandhar(阿姆倍伽尔博士国家技术学院贾朗达尔分校)
本研究提出结合EfficientNet-B0卷积处理与Swin Transformer后端的混合架构,在14万张人脸数据集上实现99%准确率,高效检测GAN生成的合成人脸,性能优于纯Swin变体及仅CNN的基线。
2026-09-03 cs.AI cs.CV
Multi-scale Target-Aware Framework for Constrained Image Splicing Detection and Localization
Shenzhen University(深圳大学);Shenzhen MSU-BIT University(深圳北理莫斯科大学)
针对约束型图像拼接检测与定位任务中特征提取与匹配分离的问题,提出多尺度目标感知框架,通过目标感知注意力机制和多尺度投影实现联合学习,在多个基准上性能优于SOTA且抗尺度变换。
2023-08-21 cs.CV cs.MM
Hybrid Semantic and Spectral Ensemble for Robust Synthetic Image Source Attribution
Chittagong University of Engineering and Technology(吉大港工程技术大学)
针对文本到图像模型发展带来的合成图像源归属问题,提出融合语义深度学习与数学取证特征提取的双分支集成框架,经实验验证准确率高且计算高效,突出数学取证在实际部署中的优势。
2026-07-28 cs.AI cs.CV cs.GR
How Good is ChatGPT at Audiovisual Deepfake Detection: A Comparative Study of ChatGPT, AI Models and Human Perception
Academia Sinica(中央研究院);National Chengchi University(国立政治大学);National Tsing Hua University(国立清华大学)
本研究评估了ChatGPT在音视频深度伪造检测中的能力,发现结合领域知识与提示工程,它能有效解释跨模态伪影,并与最先进模型及人类感知进行了对比分析。
2024-11-14 cs.AI cs.CV cs.HC
Sex Estimation from Footwear Outsole Impressions Using CNN Transfer Learning and Interpretable Image Statistics
Fudan University(复旦大学);University of California, Irvine(加利福尼亚大学尔湾分校)
本研究比较CNN迁移学习与传统特征分类在鞋底印痕性别估计中的表现,发现微调CNN性能最优,并揭示其与可解释图像统计的关联,为法医筛查提供新途径。
2026-09-30 cs.CV cs.LG
Format-Controlled Multi-Scale JPEG Compression Response Analysis for Image-Level Forgery Screening
研究针对图像伪造检测,提出用CPU计算和梯度提升树的轻量级特征工程管道。通过多尺度ELA等特征构建405维向量,经格式控制评估,在仅JPEG子集上有高AUC和F1值,消融研究明确各特征作用,实现检测压缩历史不一致且具多种优势。
2026-07-23 cs.CV cs.LG eess.IV
DeFakeQ: Enabling Real-Time Deepfake Detection on Edge Devices via Adaptive Bidirectional Quantization
本文提出DeFakeQ框架,通过自适应双向量化在边缘设备上实现实时深度伪造检测,平衡模型紧凑性与检测性能,实验表明其优于现有压缩基线。
2026-04-10 cs.CV
PENet+: A Lightweight Residual Transformer Framework for Efficient Image Steganalysis
Chung-Ang University(中央大学);Hanbat National University(韩巴大学);SNUAILAB
提出PENet+,通过保留自注意力拓扑、精简分类器通道、激活感知HPF茎和MobileNetV2骨干,在保持检测精度的同时大幅降低参数量和FLOPs。
2026-06-09 cs.CV
Supervised Contrastive Learning for Few-Shot AI-Generated Image Detection and Attribution
Universidad Politécnica de Madrid (UPM)(西班牙马德里理工大学)
本文提出基于监督对比学习的两阶段框架,实现少样本AI生成图像检测与归因,准确率提升5.2个百分点,显著提高系统适应性。
2025-11-21 cs.AI cs.CV