用于图像伪造检测的偏差引导重建学习
计算机视觉与模式识别
2023-05-04 v2 人工智能
摘要
本文提出一种新颖的图像伪造检测范式，以增强模型在伪造敏感与真实紧凑视觉模式上的学习能力。相较于仅关注差异特定模式（如噪声、纹理与频率）的现有方法，我们的方法具有更强的泛化性。具体而言，我们首先提出 Discrepancy-Guided Encoder (DisGE) 提取伪造敏感视觉模式。DisGE 由两分支组成：主流骨干分支提取通用语义特征，辅助的差异外部注意力分支提取显式伪造线索。此外，提出 Double-Head Reconstruction (DouHR) 模块以在不同粒度空间增强真实紧凑视觉模式。在 DouHR 下，我们进一步引入 Discrepancy-Aggregation Detector (DisAD) 聚合这些真实紧凑视觉模式，从而提升对未知模式的伪造检测能力。在四个具挑战性数据集上的大量实验结果验证了我们所提方法相对于最优竞争对手的有效性。
引用
@article{arxiv.2304.13349,
title = {Discrepancy-Guided Reconstruction Learning for Image Forgery Detection},
author = {Zenan Shi and Haipeng Chen and Long Chen and Dong Zhang},
journal= {arXiv preprint arXiv:2304.13349},
year = {2023}
}
备注
12 pages, 8 figures