超越 PRNU：学习鲁棒的设备特定指纹用于源相机识别

源相机识别工具帮助图像取证调查人员将有疑问的图像与嫌疑相机关联起来。基于对图像采集过程中留下的细微痕迹的分析，已开发出多种技术。由传感器缺陷引起的光响应非均匀性（Photo Response Non Uniformity, PRNU）噪声模式已被证明是识别源相机的有效方法。现有文献表明，PRNU 是唯一具有设备特异性且能够识别确切源设备的指纹。然而，PRNU 易受相机设置、图像内容、图像处理操作以及反取证攻击的影响。不了解反取证攻击或偶然图像操作的取证调查人员面临被误导的风险。两个 PRNU 匹配过程中的空间同步要求也代表了 PRNU 的一个主要局限。近年来，基于深度学习的方法在识别源相机型号方面取得了成功。然而，通过这些数据驱动方法识别同一型号的单个相机仍不尽如人意。本文揭示了数字图像中存在一种新的鲁棒数据驱动设备特异性指纹，能够识别同一型号的单个相机。研究发现，这种新的设备指纹与位置无关、具有随机性且全局可用，解决了空间同步问题。与存在于高频波段的 PRNU 不同，这种新的设备指纹从低频和中频波段提取，解决了 PRNU 无法应对的脆弱性问题。我们在各种数据集上的实验表明，这种新指纹对旋转、伽马校正和重度 JPEG 压缩等图像操作具有高度的弹性。