通过类分类架构提升基于CNN的双重JPEG图像初量化矩阵估计
计算机视觉与模式识别
2021-03-19 v2 计算机科学与博弈论
摘要
估计双重JPEG压缩图像的初量化矩阵在图像取证中是相关重要问题，因为它可推断图像过往历史的重要信息。此外，不同图像区域间初量化矩阵的不一致性可用于定位双重JPEG篡改图像中的拼接。传统基于模型的方法在第一和第二次压缩质量关系以及JPEG网格对齐上依赖特定假设。近来，提出了一种能在多种条件下工作的基于深度学习的估计器，在大多数情况下优于定制的现有方法。该方法基于卷积神经网络（CNN），训练时将估计作为标准回归问题求解。利用量化系数的整数特性，本文提出一种借助类分类（similar-classification）架构进行估计的深度学习技术。该CNN以同时考虑估计精度和均方误差（MSE）的损失函数训练。结果证实了所提技术相比基于统计分析及特别是深度学习回归的最先进方法的优越性能。此外，该方法在一般操作条件下工作的能力——涉及第二次压缩网格与第一次压缩网格的对齐情况，以及前次与第二次压缩的JPEG质量组合——在实际应用中非常相关，因为这些信息事先未知。
引用
@article{arxiv.2012.00468,
title = {Boosting CNN-based primary quantization matrix estimation of double JPEG images via a classification-like architecture},
author = {Benedetta Tondi and Andrea Costranzo and Dequ Huang and Bin Li},
journal= {arXiv preprint arXiv:2012.00468},
year = {2021}
}