TADA：针对操作性隐写分析中的协ariate迁移的盲数据适应

图像操纵为不道德用途而大量传播，构成社交网络面临的重大挑战之一。其中一种尤为令人担忧的方法是图像隐写术，允许个体在数字图像中隐藏非法信息而不引起怀疑。这种技术构成严重的安全风险，因此迫切需要开发有效的隐写分析方法，以检测用于暗中通信的被操纵图像。尽管已取得显著进展，但机器学习模型仍面临一个关键问题：训练隐写分析模型所使用的受控数据集与 forensic 实践者在实际场景中使用的数据集之间的差异，严重削弱了标准化隐写分析模型的实际有效性。本文聚焦于一种现实场景：实践者缺乏关于所分析的受限目标图像集合的关键信息，包括其开发过程细节以及是否包含被操纵的图像。通过对源数据和目标数据残差的几何对齐和分布匹配，我们开发了TADA（Target Alignment through Data Adaptation），一种新方法，使隐写分析能够模拟与特定目标对齐的来源，这在处理高度不平衡的目标时也同样适用。该模拟器由一个轻量级卷积网络表示，用于对齐图像残差的分布。实验验证表明，我们的方法在对抗协ariate迁移的隐写分析中具有显著优势。