基于双流卷积神经网络的重压缩图像重采样检测
计算机视觉与模式识别
2019-05-13 v3
摘要
重采样检测在识别图像篡改（如图像拼接）中起着重要作用。目前，对重压缩图像的重采样检测仍十分困难——重压缩图像是指对原始 JPEG 图像进行重采样并随后施加 JPEG 后压缩所得到的图像。除低质量初次压缩场景外，由于成像设备中广泛采用中/高质量压缩，该任务仍极具挑战性。本文提出一种新的卷积神经网络（CNN）方法，直接从重压缩图像中学习重采样痕迹特征。为此，部署基于低阶高通滤波的噪声提取层以得到图像残差域，更利于提取篡改痕迹特征。提出双流 CNN 以捕获不同方向上的重采样轨迹，其中水平与垂直流交错并拼接。最后，将所学特征送入 Sigmoid/Softmax 层，分别作为二分类/多分类器以实现重采样的盲检测与参数估计。大量实验结果表明，我们所提方法能有效检测重压缩图像中的重采样，并优于当前最优检测器。
引用
@article{arxiv.1901.04637,
title = {Resampling detection of recompressed images via dual-stream convolutional neural network},
author = {Gang Cao and Antao Zhou and Xianglin Huang and Gege Song and Lifang Yang and Yonggui Zhu},
journal= {arXiv preprint arXiv:1901.04637},
year = {2019}
}