图像篡改检测方向（Tamper Detection\ image forencis detection）学习笔记汇总（未完成）

写在前面

最新在啃这个方向的论文，零零总总找来了有几十篇，目前自己也没看完，下图中上面几行标星号的是自己打算多看几眼的：

这篇博客里会介绍几篇这个方向里做得比较好的几篇论文。

demo工具

如果你对image forensics感兴趣但不了解，想找个demo先看下效果，推荐以下两个链接：

• http://fotoforensics.com/（可展示ELA方法的测试结果）
• https://29a.ch/photo-forensics/#forensic-magnifier （clone detect、ELA等多种方法都有展示）

数据集介绍

在多个论文中出现的几个常见数据集：

• NIST Nimble 2016

• CA- SIA
• COVER

• Columbia dataset

 

具体论文笔记

- ManTra-Net

• 概述：一个end-to-end网络，前后分为“篡改特征提取-篡改检测定位”两部分。
• 模型结构：在“篡改特征提取”第一阶段，该算法是通过构造一个篡改细分类任务来实现篡改特征的提取任务，具体细分类别数量达到385类，也是目前见到的篡改分类数量最多最细化的了。
• 训练方式：第一阶段的细分类训练过程，不是上来就直接训一个385类分类，而是将这385类进行不同 level的划分，依次分为7, 25, 49, 96, 185, and 385类来训。

- Learning Rich Features for Image Manipulation Detection

• 概述：Adobe公司2018年的文章，具体算法是通过一个双流的faster R-CNN来实现篡改位置检测
• 模型结构：双流的其中一流为RGB流，就是常见的用神经网络对RGB图像特征提取和分析，并且经过一个RPN网络生成proposal框；另一流是noise流，RGB图像经过SRM filter层获得图像的noise feature，再经过神经网络进行处理分析。两个分支对应在proposal上的的特征，通过bilinear-pooling进行融合。
• 训练方式：首先由COCO数据集合成一个42K规模的篡改数据集进行pre-train，然后再在四个现有篡改数据集上进行fine-tune和test；训练loss由三部分组成：LPN的loss、图像篡改分类的cross entropy loss、篡改位置定位的smooth L1 loss。

- Image Splicing Localization Using A Multi-Task Fully Convolutional Network (MFCN)

•  

 

 

 

 

 

 

 

参考资料

关于图像篡改检测的算法总结（前两个链接已经挂了）：

1. http://homeway.me/2018/08/05/tamper-detection-an-overview/
2. http://homeway.me/2019/05/04/tamper-detection-an-overview-2/
3. https://blog.csdn.net/u010183397/article/details/54799471

综述文章

 

 

算法笔记

1. ELA and CNN

链接：https://github.com/agusgun/FakeImageDetector/blob/master/fake-image-detection.ipynb

简介：为原始真、假图像经过ELA（error-level analysis）后的结果搭建CNN网络进行分类。

e.g.：一张真图在ELA前后的效果如图：

而一张假图在ELA前后的对比：

对这两张偏黑色的图进行分类

2. Multi-Scale Analysis Strategies in PRNU-Based Tampering Localization

链接：http://kt.agh.edu.pl/~korus/files/7414/8271/2864/2016-tifs-preprint.pdf

代码：https://github.com/pkorus/multiscale-prnu

简介：

3. Detection and Localization of Image Forgeries using Resampling Features and Deep Learning

算法：根据重采样程度是否相同来检测