利用合成痕迹攻击图像拼接检测与定位算法

深度学习的最新进展使取证研究人员能够开发一类新的图像拼接检测与定位算法。这些算法通过使用连体神经网络（Siamese neural networks）检测取证痕迹中的局部不一致性来识别拼接内容，无论是在分析时显式地进行，还是在训练时隐式地进行。与此同时，深度学习催生了新形式的反取证攻击，例如对抗样本和基于生成对抗网络（GAN）的攻击。然而，迄今为止，尚未有针对图像拼接检测与定位算法的反取证攻击被证实有效。在本文中，我们提出了一种基于 GAN 的新反取证攻击，能够欺骗最先进的拼接检测与定位算法，如 EXIF-Net、Noiseprint 和 Forensic Similarity Graphs。该攻击通过对抗式地训练一个反取证生成器来对抗一组连体神经网络，从而能够创建合成的取证痕迹。在分析时，这些合成痕迹看起来是真实的，并且在整幅图像中自洽。通过一系列实验，我们证明我们的攻击能够欺骗取证拼接检测与定位算法，而不会在被攻击图像中引入视觉可检测的伪影。此外，我们证明我们的攻击优于现有的替代攻击方法。