光学显微镜中的拷贝移动检测：一种分割网络与数据集

随着学术欺诈的日益增加，检测生物医学领域中伪造实验图像已成为公众关注的焦点。挑战在于，拷贝移动目标可能包括背景组织、小型前景物体或两者，可能处于训练领域之外且遭遇未见的攻击，导致标准基于目标检测的方法效果受限。为此，我们将生物医学拷贝移动伪造区域的检测问题重新表述为图像内共显著性检测任务，提出CMSeg-Net——一种能够识别未见重复区域的拷贝移动伪造分割网络。该网络基于多分辨率编码器-解码器架构，集成自相关和关联辅助空间注意力模块，以在每个观察尺度的特征张量中检测图像内区域相似性。该设计有助于区分复杂显微图像中微小的拷贝移动目标与其他相似物体。此外，我们使用ICIP 2022挑战赛的开放数据创建了一个光学显微镜图像的数据集，命名为FakeParaEgg，以支持CMSeg-Net的开发并验证其性能。广泛的实验表明，我们的方法在FakeParaEgg数据集以及其他开放数据集（包括CASIA-CMFD、CoMoFoD和CMF）上均优于以往的国际前沿方法。FakeParaEgg数据集、我们的源代码以及我们手动定义的CMF数据集分割 ground truths可在``https://github.com/YoursEver/FakeParaEgg''获取。