使用迁移学习的数字图像伪造检测
计算机视觉与模式识别
2026-05-12 v1 人工智能
摘要
先进图像编辑工具的日益普及导致被操纵的数字内容显著增加，给数字取证和信息安全带来了严峻挑战。本研究提出了一种基于迁移学习的数字图像伪造检测框架，该框架将压缩感知特征增强与深度卷积神经网络 (CNN) 架构相结合。所提出的方法引入了一种混合输入表示，该表示结合了 RGB 图像和基于压缩差异的特征 (FDIFF)，明确突出了通常难以检测的细微操纵伪影。此外，采用了一种基于约登指数的模型特定自适应阈值优化策略，通过在真阳性率和假阳性率之间实现更好的平衡来提高分类可靠性。在 CASIA v2.0 数据集上使用多个预训练 CNN 架构（包括 DenseNet121、VGG16、ResNet50、EfficientNetB0、MobileNet 和 InceptionV3）进行的实验证明了所提出框架的有效性和鲁棒性。使用全面的性能指标（如准确率、精确率、召回率、F1 分数、马修斯相关系数 (MCC) 和 ROC 曲线下面积 (AUC)）对模型进行了评估。结果表明，DenseNet121 取得了最高的准确率和 AUC，而 ResNet50 以最高的 MCC 提供了最平衡和最可靠的预测。研究结果强调，仅依赖准确率对于取证应用是不够的，在取证应用中，最小化假阴性至关重要。总体而言，所提出的框架提高了操纵伪影的可见性并增强了分类鲁棒性，使其适用于现实世界的数字图像伪造检测场景。
引用
@article{arxiv.2605.08167,
title = {Digital Image Forgery Detection Using Transfer Learning},
author = {Fatma Betul Buyuk and Gozde Karatas Baydogmus and Ali Buldu and Ayaulym Tulendiyeva and Zhuldyz Baizhumanova},
journal= {arXiv preprint arXiv:2605.08167},
year = {2026}
}