.png){kind=icon}
返回
Image splicing localization method driven by device difference feature guidance
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.112002.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图像编辑工具的日益普及对图像内容的原创性和真实性构成了显著威胁。对图像内容最常见的攻击形式是拼接伪造，即通过组合来自不同成像设备的多个源图像来创建复合拼接图像。本研究提出了一种基于设备差异引导的图像拼接区域定位方法。其核心思想在于将成像设备的物理特性作为取证线索，通过有效提取和分析这些特性来确定篡改图像区域。所提出的方法是一个两阶段多尺度网络模型，命名为设备差异特征引导网络（DDFG-Net），包括设备差异引导阶段和异常区域定位阶段。在设备差异引导阶段，采用双流Vision-Transformer网络进行相机来源识别，以提取不同成像设备的物理特性。随后，利用设备物理特性获取图像中的不一致特征，并将拼接伪造引入的不一致特征中的语义信息解耦，以避免语义信息对取证特征的干扰。在异常区域定位阶段，我们提出了通道级上采样与空间级下采样（CWU-SWD）和跨尺度拼接器（CSC）。CWU-SWD模块用于在尺度变化时减少特征信息损失并确保信息完整性，从而使网络能够提取伪造引入的更丰富的细微特征。CSC模块用于多尺度特征的动态选择与融合，使网络能够适应不同尺度的篡改区域。在四个不同数据集上的大量实验比较证明了DDFG-Net的卓越性能。跨数据集实验和鲁棒性测试进一步验证了DDFG-Net的显著泛化能力和鲁棒性。此外，消融实验进一步确认了DDFG-Net中各模块的合理性与有效性。