CFL-Net：基于对比学习的图像伪造定位
计算机视觉与模式识别
2022-10-06 v1
摘要
传统的伪造定位方法通常依赖不同的伪造痕迹（如 JPEG 伪影、边缘不一致、相机噪声等），并使用交叉熵损失来定位篡改区域。然而，这些方法存在过拟合以及仅关注少数特定伪造痕迹的缺点。另一方面，现实中的篡改图像通过多种多样的伪造操作生成，因此留下多种多样的伪造痕迹。因此，我们需要一种更通用的图像伪造定位方法，能够在多种伪造条件下良好工作。底层伪造区域定位的一个关键假设是：无论伪造类型如何，在每个伪造图像样本中，未篡改区域与篡改区域之间仍存在特征分布的差异。本文旨在利用该特征分布差异来辅助图像伪造定位。具体而言，我们使用对比损失学习映射到一个特征空间，其中每个图像的未篡改区域与篡改区域特征良好分离。此外，我们的方法无需关于伪造类型的任何先验知识或假设即可定位篡改区域。我们在三个基准图像篡改数据集上证明，我们的工作优于多种现有方法。代码见 https://github.com/niloy193/CFLNet。
引用
@article{arxiv.2210.02182,
title = {CFL-Net: Image Forgery Localization Using Contrastive Learning},
author = {Fahim Faisal Niloy and Kishor Kumar Bhaumik and Simon S. Woo},
journal= {arXiv preprint arXiv:2210.02182},
year = {2022}
}
备注
WACV 2023