TGIF2：扩展的文本引导图像修复伪造数据集与基准测试

生成式人工智能使文本引导图像修复成为强大的图像编辑工具，但同时也成为媒体取证领域日益严峻的挑战。现有基准，包括我们的文本引导图像修复伪造（TGIF）数据集，表明图像伪造定位（IFL）方法可以定位拼接图像中的篡改，但在完全再生（FR）图像中定位时存在困难，而合成图像检测（SID）方法可以检测完全再生图像，却无法进行定位。随着新的生成式修复模型不断涌现，以及FR图像中定位这一开放性问题仍未解决，需要更新的数据集和基准。我们推出了TGIF2，即TGIF的扩展版本，捕捉了文本引导图像修复的最新进展，并支持对取证鲁棒性的更深入分析。TGIF2通过FLUX.1模型生成的编辑以及随机非语义掩码来扩充原始数据集。利用TGIF2数据集，我们开展了涵盖IFL和SID的取证评估，包括在FR图像上微调IFL方法以及生成式超分辨率攻击。我们的实验表明，IFL和SID方法在FLUX.1操作下均出现退化，揭示了泛化能力的局限性。此外，虽然微调改善了FR图像中的定位效果，但使用随机非语义掩码进行评估揭示了对象偏差。进一步地，生成式超分辨率显著削弱了取证痕迹，表明常见的图像增强操作可能破坏当前的取证流程。总之，TGIF2提供了一个更新的数据集和基准，能够揭示现代图像修复和基于人工智能的图像增强所带来的新挑战。TGIF2可在https://github.com/IDLabMedia/tgif-dataset获取。