面向高效图像篡改检测的建议对比学习
计算机视觉与模式识别
2023-02-23 v2
摘要
深度模型已广泛且成功地应用于图像篡改检测，其旨在对篡改图像进行分类并定位篡改区域。现有大多数方法主要关注从篡改图像中提取全局特征，而忽略了单张篡改图像中篡改区域与真实区域之间局部特征的关系。为利用此类空间关系，我们提出建议对比学习（PCL）以实现高效的图像篡改检测。我们的PCL由双流架构组成，分别从RGB与噪声视图中提取两类全局特征。为进一步提升判别能力，我们通过一个代理建议对比学习任务，利用基于建议的正/负样本对的吸引/排斥来挖掘局部特征间的关系。此外，我们表明PCL在实践中可轻松适配无标注数据，从而降低人工标注成本并促进更具泛化性的特征。在多个标准数据集上的大量实验表明，PCL可作为通用模块带来一致的性能提升。代码见 https://github.com/Sandy-Zeng/PCL。
引用
@article{arxiv.2210.08529,
title = {Towards Effective Image Manipulation Detection with Proposal Contrastive Learning},
author = {Yuyuan Zeng and Bowen Zhao and Shanzhao Qiu and Tao Dai and Shu-Tao Xia},
journal= {arXiv preprint arXiv:2210.08529},
year = {2023}
}