COCO-Inpaint：用于检测和定位图像填充类人工修改的基准数据集
计算机视觉与模式识别
2026-05-18 v2 人工智能
摘要
近期图像处理技术的进展使得高度逼真的内容生成成为可能，同时也降低了任意编辑的门槛，引发对多媒体真实性和安全性的关切。现有的图像人工修改检测与定位(IMDL)方法主要针对剪贴或复制移动伪造，而针对填充类人工修改的基准数据集则有限。为填补这一差距，我们提出 COCO-Inpaint，一个专为填充检测与定位设计的全面基准数据集，具有三个关键贡献：1) 由六种最先进的填充模型生成的高质量填充样本；2) 通过四种掩码生成策略实现的多样化生成场景，支持可选文本指导；3) 覆盖 238,302 张填充图像，具备丰富的语义多样性。本基准数据集旨在凸显填充区域与真实区域之间的内在不一致，而非依赖浅层语义痕迹如物体形状。我们进一步建立了严格的评估协议，采用三个标准指标评估现有 IMDL 方法，揭示当前的趋势与挑战。
引用
@article{arxiv.2504.18361,
title = {COCO-Inpaint: A Benchmark for Detecting and Localizing Inpainting-Based Image Manipulations},
author = {Haozhen Yan and Yan Hong and Jiahui Zhan and Suning Lang and Yikun Ji and Huijia Zhu and Jun Lan and Jianfu Zhang},
journal= {arXiv preprint arXiv:2504.18361},
year = {2026}
}
备注
6 pages, 8 figures