.png){kind=icon}
返回
IFDNet: A Contextually Modulated Deep Network for Robust Image Forgery Detection
.png){kind=icon}
OA
AI
DOI：10.1109/OJCS.2025.3641988.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
先进数字编辑技术的普及使得图像伪造技术日益复杂，且难以通过常规技术检测。为解决此问题，提出了图像伪造检测网络（IFDNet）。本文引入了动态上下文调制块（DCMB）以增强特征表示。与传统的挤压-激励或卷积块注意模块（CBAM）不同，DCMB通过单个统一模块中的自适应通道-空间调制，联合捕捉全局上下文和局部空间交互。这使得网络能够突出标准模块可能忽略的细微篡改痕迹。在广泛使用的基准数据集CASIA V2.0和MICCF-2000上评估了所提出的IFDNet和基准模型的性能，分别达到平均准确率96.53% ± 0.17%和97.66% ± 0.22%，AUC最高达98.93%，优于基线CNN模型。结果表明，所提出的IFDNet模型在检测多样化和复杂图像伪造方面提高了鲁棒性和泛化能力，为现代数字图像取证提供了实用解决方案。
Keyword:
Image forgery detection
digital image forensics
dynamic contextual modulation
attention mechanism
image splicing detection
CNN-based forgery detection
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
I
IF:
8.2
论文数:
425
被引数:
810
机构
引用论文
ForensicNet: Modern convolutional neural network‐based image forgery detection networkForensicNet: 基于现代卷积神经网络的图像伪造检测网络
PREAI
分享收藏Inception-v4, Inception-ResNet and the Impact of Residual Connections on LearningInception-v4、Inception-ResNet和剩余连接对学习的影响
OAAI
OAAI分享收藏A Comprehensive Review of Deep Learning: Architectures, Recent Advances, and Applications深度学习全面综述：架构、最新进展与应用.png)
InformationOAAI
InformationIF0
OAAI分享收藏Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions深度学习: 技术、分类、应用和研究方向的综合概述OAAI
OAAI分享收藏
查看更多内容