基于 SPAIR-Swin 和熵法则的相机模型识别：针对非均匀块
计算机视觉与模式识别
2025-03-31 v1 图像与视频处理
摘要
源相机模型识别 (SCMI) 在图像 forensics 中发挥着关键作用，适用于身份验证和版权保护等应用。为了识别给定图像所使用的相机模型，我们提出了 SPAIR-Swin，这是一种结合修改后的空间注意力机制和倒置残差块 (SPAIR) 与 Swin Transformer 的新模型。SPAIR-Swin 有效捕获全局和局部特征，使其能够 robustly 识别诸如噪声模式等人工痕迹，这些痕迹对于 SCMI 尤其有效。此外，与传统方法只关注均匀块不同，我们提出了一种针对 SCMI 的块选择策略，强调高熵区域，这些区域在图案和纹理方面富含信息。在四个基准 SCMI 数据集上进行大规模评估显示，SPAIR-Swin 优于现有方法，在 Dresden、Vision、Forchheim 和 Socrates 数据集上分别实现了 patch-level 为 99.45%、98.39%、99.45% 和 97.46%，以及 image-level 为 99.87%、99.32%、100% 和 98.61% 的准确率。我们的发现表明，高熵块包含锐利、噪声和压缩痕迹等高频信息，这些信息有助于提高 SCMI 的准确性。代码将在请求后提供。
引用
@article{arxiv.2503.22120,
title = {Camera Model Identification with SPAIR-Swin and Entropy based Non-Homogeneous Patches},
author = {Protyay Dey and Rejoy Chakraborty and Abhilasha S. Jadhav and Kapil Rana and Gaurav Sharma and Puneet Goyal},
journal= {arXiv preprint arXiv:2503.22120},
year = {2025}
}
备注
10 pages, 5 figures