图像反取证的深度图像修复

图像取证关注是否检测到图像被篡改，而图像反取证则旨在防止图像取证方法检测到被篡改的图像。这两领域的竞争在深度学习技术 advances 之前就已存在。JPEG 压缩、模糊和噪声处理——尽管在当今标准下仍属简单方法——长期用于反取证，且在取证和反取证领域均受到广泛研究。尽管这些传统方法较老，但它们仍使检测假图像困难，并用于训练深度图像伪造检测模型的数据增强。在增加检测难度的同时，这些方法会在图像上留下痕迹并导致图像质量下降。独立的图像取证方法也已开发用于检测这些痕迹。本研究进一步一步，通过深度图像修复模型改善这些方法的图像质量，使伪造图像更难以检测。我们评估了这些方法对图像质量的影响。随后，我们对我们提出的方法（使用深度学习）和不使用深度学习的方法，对两个最佳现有图像操纵检测模型进行测试。在获得的结果中，我们展示了现有图像伪造检测模型在我们提出的方法面前的失效。代码实现将在https://github.com/99eren99/DIRFIAF 上公开。