基于不确定性引导精炼揭示科学出版物中的图像拼接痕迹
计算机视觉与模式识别
2024-04-19 v2
摘要
近来，疑似图像操纵的科学出版物激增导致大量撤稿，使图像完整性问题备受关注。尽管针对图像剽窃与图像合成的法证检测器已有研究，但科学出版物中图像拼接痕迹的检测仍属空白。相较于图像复制与合成，图像拼接检测因缺乏参考图像且篡改区域通常较小而更具挑战。此外，科学图像中的干扰因素，如数字压缩伪影、异常图案以及物理操作噪声，会呈现类似拼接痕迹的误导性特征，显著增加了该任务的难度。而且，高质量拼接科学图像数据集的匮乏限制了潜在进展。本工作中，我们提出不确定性引导精炼网络 (URN) 以缓解这些干扰因素的影响。我们的 URN 能显式抑制干扰因素在区域间引发不可靠信息流的传播，从而获得鲁棒的拼接特征。此外，URN 被设计为在解码阶段将改进集中于不确定预测区域。我们还构建了用于图像拼接检测的数据集 (SciSp)，含 1290 张拼接图像。与现有数据集相比，SciSp 包含最多数量的拼接图像与最多样的来源。在三个基准数据集上的综合实验证明了我们方法的优越性。我们还验证了 URN 抵抗跨数据集域偏移的泛化能力，以及其针对包括基于深度学习的先进修复在内的多种后处理技术的鲁棒性。
引用
@article{arxiv.2309.16388,
title = {Exposing Image Splicing Traces in Scientific Publications via Uncertainty-guided Refinement},
author = {Xun Lin and Wenzhong Tang and Haoran Wang and Yizhong Liu and Yakun Ju and Shuai Wang and Zitong Yu},
journal= {arXiv preprint arXiv:2309.16388},
year = {2024}
}