Dual-Domain Generative Adversarial Network for Digital Image Operation Anti-Forensics

本文提出了一种基于生成对抗网络GANs的通用数字图像操作反取证框架，称为双域生成对抗网络DDGAN，为了解决图像操作检测问题，提出的框架结合了操作特定的取证特征和机器学习的知识，以确保生成的图像对各种检测器表现出更不好的不可检测性能。
DDGAN由一个生成器和两个在不同领域工作的鉴别器组成，例如，从目标任务的取证分析角度来看，特定域操作的特征有助于隐藏共件，空间域有助于利用从头开始的机器学习特征作为补充
通过中值滤波和JPEG压缩反取证实验，证明了所提出的方法在不可检测性和视觉质量方面优于现在的方法。

架构：

本文所提出的网络架构为：

 所提出的DDGAN由一个生成器和两个工作在不同域中的鉴别器组成。一个鉴别器为特征鉴别器，根据特定操作的特征对生成的图像进行分类；一个鉴别器为空间鉴别器，试图在没有任何先验信息的情况下捕获空间域中的工件。

生成器：

生成器使用一个没有全连接层的全卷积网络作为生成器，可以接收任意大小的图像，它主要由两个卷积层和8个相同的残块组成，每个残块由两个连续的卷积层构成，其中只有第一个卷积层后面是参数ReLU激活。残块中特征映射的通道大小设为64，卷积核大小为3x3。考虑到处理图像与反取证图像的相似性，进一步使用残差学习模块，通过对处理输入和相应的生成器残差输出进行元素求和得到反取证图像。

 鉴别器：

特征和空间鉴别器具有相同的网络结构，包括8个卷积层和2个全连通层，如图2(b)所示。
除最后一层外，其余各层均采用泄漏ReLU (LReLU)作为非线性激活，其中泄漏参数设置为0.2。
随着步幅为2的卷积层的通过，特征图的空间分辨率会逐渐降低。判别器中所有卷积层的核大小设为3 × 3。

 操作特定的特征提取层：

在特征鉴别器中提出的特征提取层将输入图像转换为特定操作域的特征映射，用于目标图像的操作

中值滤波

将像素差和MFR都看作是中值滤波的操作相关特征，为了提取不同的像素差信息，利用SRM中用于残差图计算的30个线性高通滤波器，得到30个差分特征图，将这30个通道差分特征图与SRM和MFR特征图拼接，最终形成用于中值滤波的操作特征相关图

 JPEG压缩

JPEG压缩中的DCT(离散余弦变换)系数量化通常会在DCT域上产生梳状伪影，这些伪影很容易被法医探测器捕获。因此，将DCT域作为JPEG压缩中与操作相关的特征域。
该方法采用64通道8 × 8滤波器组的卷积算子进行特征提取。滤波器组定义在Eq.(2)中，其中(x, y)和(u,v)为二维空间和通道指标(x, y, u,v = 0,1，…，7)。卷积算子将输入图像转换为64通道的特征映射，其中每个通道对应一个特定的DCT子带，然后将其发送给后续的特征鉴别器。

 损失函数：

Content Loss：

内容损失描述了生成的反取证图像G(x)与其原始图像x之间的内容失真，以l2范数为失真度量，即:

Dual-Domain Adversarial Loss：

双域对抗损失结合了空间和特征鉴别器，从更广泛的角度学习取证特征。在训练阶段，生成器试图以对抗的方式混淆双域鉴别器，即:

DDGAN损失：

 采用可调参数α来权衡内容失真和不可检测性之间的性能。

通过解决Eq.(6)中的对抗性min-max问题，同时训练生成器和两个鉴别器，对DDGAN进行优化: