基于充分性与最小性约束的信息论图像伪造局部化框架——SUMI-IFL
计算机视觉与模式识别
2024-12-30 v2 人工智能
摘要
图像伪造局部化 (IFL) 是防止篡改图像滥用并保护社会安全的关键技术。然而，由于图像篡改技术的快速发展，提取更全面和准确的伪造线索仍是一个迫切的挑战。为此，我们引入一种名为 SUMI-IFL 的新型信息论 IFL 框架，该框架在伪造特征表示上施加充分性视图和最小性视图约束。首先，基于互信息的理论分析，在特征提取网络上强制执行充分性视图约束，以确保潜在伪造特征包含全面伪造线索。鉴于单一视角获得的伪造线索可能不完整，我们通过整合来自多个视角的多个单独伪造特征来构建潜在伪造特征。其次，基于信息瓶颈，在特征推理网络上施加最小性视图约束，以实现准确且简洁的伪造特征表示，从而抵消任务无关特征的干扰。大量实验表明，SUMI-IFL 在现有一流方法上表现优异，不仅在同一数据集内比较，而且在跨数据集比较中也表现突出。
引用
@article{arxiv.2412.09981,
title = {SUMI-IFL: An Information-Theoretic Framework for Image Forgery Localization with Sufficiency and Minimality Constraints},
author = {Ziqi Sheng and Wei Lu and Xiangyang Luo and Jiantao Zhou and Xiaochun Cao},
journal= {arXiv preprint arXiv:2412.09981},
year = {2024}
}