用于图像篡改检测的分层图表示学习
计算机视觉与模式识别
2022-01-19 v1
摘要
图像篡改检测的目标是识别并定位图像中被篡改的区域。近期方法大多采用复杂的卷积神经网络(CNNs)来捕获图像中遗留的篡改痕迹以定位篡改区域。然而,这些方法忽略了篡改区域与非篡改区域之间的特征关联,即特征不一致性,导致检测性能不佳。为解决该问题,我们提出了一种分层图卷积网络(HGCN-Net),其由两条并行分支组成:用于图像篡改检测的主干网络分支与分层图表示学习(HGRL)分支。具体而言,主干网络分支提取给定图像的特征图,随后由HGRL分支将特征图内的特征关联建模为一组全连接图,以学习分层图表示。所学得的分层图表示能够充分捕获跨尺度的特征关联,从而为区分篡改与非篡改区域提供高判别性。在四个公开数据集上的大量实验表明,相较于当前最优方法,所提出的HGCN-Net不仅在图像篡改检测任务中提供了有前景的检测精度,还在多种常见图像攻击下实现了强鲁棒性。
引用
@article{arxiv.2201.05730,
title = {Learning Hierarchical Graph Representation for Image Manipulation Detection},
author = {Wenyan Pan and Zhili Zhou and Miaogen Ling and Xin Geng and Q. M. Jonathan Wu},
journal= {arXiv preprint arXiv:2201.05730},
year = {2022}
}