主动规避检测：面向伪造定位的反取证
计算机视觉与模式识别
2023-10-17 v1 多媒体
摘要
反取证旨在消除或隐藏篡改伪影的痕迹。通常，反取证方法被设计用于欺骗二值检测器并使其误判图像真实性。然而，据我们所知，尚无尝试在像素级欺骗伪造检测器并错误定位伪造区域。传统对抗攻击方法由于以下缺陷无法直接用于伪造定位：1）它们往往只是朴素地诱导目标取证模型翻转其像素级真实或伪造判定；2）面对未知取证模型时，其反取证性能往往严重下降；3）一旦目标取证模型用它们生成的抗取证图像重新训练，它们便失效。为应对这三个缺陷，我们提出SEAR（Self-supErvised Anti-foRensics），一种新颖的自监督对抗训练算法，可有效训练深度学习反取证模型以对抗伪造定位。SEAR设置了一个重构扰动的 pretext task 用于自监督学习。在对抗训练中，SEAR采用伪造定位模型作为监督者探索篡改特征，并构建深度学习隐藏器以消除相应痕迹。我们在多个数据集上进行了大规模实验。实验结果表明，通过自监督学习与对抗学习的结合，SEAR成功欺骗了最先进的伪造定位方法，并解决了上述传统对抗攻击方法的三个缺陷。
引用
@article{arxiv.2310.10036,
title = {Evading Detection Actively: Toward Anti-Forensics against Forgery Localization},
author = {Long Zhuo and Shenghai Luo and Shunquan Tan and Han Chen and Bin Li and Jiwu Huang},
journal= {arXiv preprint arXiv:2310.10036},
year = {2023}
}