深度图像合成与图像伪造

图像伪造是一个已被研究多年的课题。在深度学习取得突破之前，伪造图像是通过不需要训练的手工特征来检测的。即使在质量远差于现实图像篡改的数据集上，这些传统方法也无法取得令人满意的性能。深度学习的进步对图像伪造检测的影响与对计算机视觉其他领域的影响一样大，并提升了现有技术的水平。深度学习模型需要大量标注数据进行训练。在图像伪造的情况下，像素级的标注数据是模型学习的一个非常重要的因素。现有的数据集没有哪个能同时具备足够的规模、真实感和像素级标注。这是由于制作和标注高质量图像的成本很高。一位图像编辑专家可能需要数小时才能篡改一张图像。为了弥补这一差距，我们使用与图像伪造密切相关的图像合成技术来自动化数据生成。与其他自动化数据生成框架不同，我们使用 SOTA 图像合成深度学习模型来生成接近现实篡改质量的拼接图像。最后，我们在 SOTA 图像篡改检测模型上测试了生成的数据集，并表明其预测性能低于现有数据集，即我们生成了更难检测的真实图像。数据集将在 https://github.com/99eren99/DIS25k 提供。