一种用于图像伪造检测的全图像全分辨率端到端可训练 CNN 框架

由于计算和内存资源有限，当前的深度学习模型仅接受相当小的输入图像，因而需要进行初步的图像缩放。这对于高层视觉问题并非难题，因为判别性特征几乎不受缩放影响。相反，在图像取证中，缩放往往会破坏宝贵的高频细节，严重影响性能。人们可以通过分块处理来避免缩放，但代价是放弃整图分析。在这项工作中，我们提出了一种基于 CNN 的图像伪造检测框架，其基于从整幅图像收集的全分辨率信息做出决策。得益于梯度检查点，该框架可在有限内存资源和弱（图像级）监督下端到端训练，从而允许对所有参数进行联合优化。在广泛使用的图像取证数据集上的实验证明了所提方法的良好性能，其大幅优于所有基线和所有参考方法。