面向重捕获图像取证的特征解耦与动态融合学习
计算机视觉与模式识别
2022-06-14 v1
摘要
图像重捕获严重破坏了人工智能（AI）系统的公平性，其通过重捕获他人图像来欺骗系统。现有大多数重捕获模型仅能基于使用固定电子设备模拟重捕获图像的数据集处理单一重捕获模式（如摩尔纹、边缘、伪影等）。本文明确将图像重捕获取证任务重新定义为四种图像重捕获识别模式，即摩尔纹重捕获、边缘重捕获、伪影重捕获和其他重捕获。同时，我们提出一种新颖的特征解耦与动态融合（FDDF）模型，自适应学习最有效的重捕获特征表示以覆盖不同重捕获模式识别。此外，我们收集了一个大规模真实场景通用重捕获（RUR）数据集，包含多种重捕获模式，其规模约为已发布数据集的五倍。据我们所知，我们首次提出了用于重捕获图像取证的通用模型和通用真实场景大规模数据集。大量实验表明，我们提出的FDDF在RUR数据集上可达到最先进的性能。
引用
@article{arxiv.2206.06103,
title = {Learning Feature Disentanglement and Dynamic Fusion for Recaptured Image Forensic},
author = {Shuyu Miao and Lin Zheng and Hong Jin},
journal= {arXiv preprint arXiv:2206.06103},
year = {2022}
}
备注
Accepted by CVPR2022 workshop