深度学习模型用于假图像检测的比较评估
计算机视觉与模式识别
2026-05-21 v1 人工智能
密码学与安全
摘要
基于 GAN 的图像操纵日益复杂，给数字 Forensics 带来重大挑战。本研究比较了四种预训练 CNN 架构（包括 VGG16、ResNet50、EfficientNetB0 和 XceptionNet）用于假图像检测，采用统一的预处理和训练管道。使用调整大小、归一化和数据增强处理真实与操纵图像数据集，以解决类别不平衡并提高泛化能力。模型采用准确率、精确率、召回率、F1 分数和 ROC-AUC 进行评估。VGG16 在准确率方面取得最高值 91%，XceptionNet、ResNet50 和 EfficientNetB0 分别达到 90%。EfficientNetB0 对假图像的灵敏度更高，但对真实样本的可靠性较低，这反映了受类别不平衡驱动的偏差。局限性包括数据集不平衡、过拟合以及可解释性有限，影响跨域鲁棒性。该研究提供了一个可复现的基准，强调需要平衡数据集、先进的数据增强以及公平性感知的训练以开发可靠的假图像检测系统。
引用
@article{arxiv.2605.20971,
title = {Comparative Evaluation of Deep Learning Models for Fake Image Detection},
author = {Akhitha Pakala and Mohammed Mahir Rahman and Shahzad Memon and Tauseef Ahmed},
journal= {arXiv preprint arXiv:2605.20971},
year = {2026}
}
备注
Accepted at ICCIIoT26 and waiting to be indexed