原创

： MULTI-TASK WAVELET CORRECTED NETWORK FOR IMAGE SPLICING FORGERY DETECTION AND LOCALIZATION

MULTI-TASK WAVELET CORRECTED NETWORK FOR IMAGE SPLICING FORGERY DETECTION AND LOCALIZATION

一个区域的篡改检测
一个边缘的篡改检测
一个重构解码器来重构输入图像lx。编码器学习到的特征信息越多，重建图像IxR的质量就越好。
后半部分网络结构相同，但是不共享参数。

分别拿三个Loss去约束。
三个输出相互独立，个人认为还是把区域的pred 和边缘的pred 后面加入一个融合的小网络比较好，层数不用太多，4-5层应该就可以。
或者说，直接给一个权重，信任边缘pred的结果，边缘基本按照边缘去给也可以。

基于小波的池化操作和上采样操纵
池化对于图像细微特征的破坏不是什么新东西了。
滤波核的参数是学习参数。
使用小波是基于小波大小变化为一半之后可以复原的可逆性质。
在这里插入图片描述

同时小波输出的4个特征，可以输出到不同的任务中。上图的颜色表示输出4个特征的选择和流向。

训练测试，就是不讲清楚是几个数据集分别训练的模型还是一起训练的。估计是99%的概率是分别训练的。就这个数据集的数据量而言，指标过高了。这个数据量根本不可能达到那么高的指标。

casia v2印象里是有7000张图片的。这800张train/test 是什么选的。为什么不全用。
在这里插入图片描述

在这里插入图片描述

别的数据集不说，casia指标那么高就很古怪。可能是选图的原因。