.png){kind=icon}
返回
A Forensic Framework With Diverse Data Generation for Generalizable Forgery Localization
.png){kind=icon}
PRE
AI
DOI：10.1109/TIFS.2025.3607251.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于深度学习的取证技术已成为图像伪造定位的领先方法。然而，许多现有方法在训练数据上存在过拟合问题，这限制了它们的泛化性能和实际应用。为克服这一挑战，我们提出了一种新型取证框架，该框架整合了先进的数据增强技术。该框架包含两个关键组件：生成器和检测器。生成器在多样性和一致性约束下挑战检测器学习到的分布，确保生成数据偏离源域同时保持与篡改相关的统计差异。检测器则从篡改图像的三个关键方面捕获篡改痕迹：长距离依赖信息、RGB-噪声融合信息以及边界伪影，从而实现更全面的检测过程。通过交替优化生成器和检测器，该框架促进了相互强化，推动了多样化数据生成并扩展了分布覆盖范围，最终提升了性能。大量实验表明，所提出的方法在泛化性能和鲁棒性方面显著优于当前最优方法，多项消融研究进一步验证了模型设计的合理性。
Keyword:
Image forensics
image forgery localization
data augmentation
generalization
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
机构
引用论文
暂无论文信息