噪声不撒谎：迈向深度图像修复的通用检测

深度图像修复旨在以逼真内容恢复图像中受损或缺失的区域。尽管在物体移除与图像恢复等方面有广泛应用，深度修复技术也存在被操纵用于图像伪造的风险。针对此类伪造的一种有前景的对策是深度修复检测，旨在定位图像中的修复区域。本文中，我们首次尝试深度修复的通用检测，即检测网络在检测不同深度修复方法时具有良好的泛化能力。为此，我们首先提出一种新颖的数据生成方法以生成通用训练数据集，其模拟真实与修复图像内容间存在的噪声差异来训练通用检测器。随后我们设计噪声-图像交叉融合网络（NIX-Net）以有效利用图像及其噪声模式中蕴含的判别信息。我们在多个基准数据集上经验性地表明，我们的方法大幅优于现有检测方法，并对未见过的深度修复技术泛化良好。我们的通用训练数据集也能显著提升现有检测方法的泛化性。