高效且精准的图像源信息分析：面向大规模图像的可扩展管线

受广泛可访问编辑工具驱动的社交网络上修改图像的快速增长，要求数字治理具备鲁健的取证工具。图像源信息分析通过筛选各种查询图像变体并构建有向图来追踪其系谱历史，已成为关键解决方案。然而，现有方法面临两个根本性局限：其一，由于低相似度导致忽略高度修改的图像，同时在多样化的修改场景下难以排除不相关图像并确定修改方向，从而出现准确性问题；其二，基于成对图像分析的尺度瓶颈导致两两图像分析呈二次复杂度，阻碍在大规模场景中的应用。本文提出了一个在精度和线性复杂度上均取得高绩效的可扩展端到端管线，用于图像源信息分析。这通过修改关系追踪提高了过滤效果，使其能够发现与查询图像无论其视觉相似性如何的图像变体。此外，所提管线集成了局部特征匹配和压缩伪影捕获，增强了对各种修改的鲁棒性，使其能够准确分析图像之间的关系。这使得能够生成准确描绘图像系谱历史的有向源信息图。 Furthermore, 通过优化相似度计算和消除图构建期间的冗余成对分析，管线实现了线性时间复杂度，确保其在大规模场景下的可扩展性。实验表明，管线在准确性上实现了 16.7%-56.1% 的提升。值得注意的是，在 1000 万规模图像上，管线平均仅需 3.0 秒响应时间，这远快于 SOTA 方法的 12 分钟持续时间。