brightendavid's blog

原创 ： Hybrid features and semantic reinforcement network for image forgery detection Hybrid features and semantic reinforcement network for image forgery detection 认为是2021年最靠谱的篡改检测类文章 作者是吉林大学的 代码未开源 使用的线索为图像重采样特征和空间特征（像素关系）。 其实这个网络像是U-net的框架 重采样特征 使用的是LSTM 网络，输入图为 256 * 256 分为的8 * 8个batch （32 * 32大小）。此信息流输出的仍旧是像素级别的分类，以前的论文会直接输出32 * 32块的分类。 语义扩张（Semant*ic reinforcement） 可以看作是跳跃连接，使用1*1卷积 改变了通道数 结果展示 就F1指标而言，感觉指标是普遍偏高了，尤其是ELA。 datasets

原创 ： Hybrid LSTM and Encoder-Decoder Architecture for Detection of Image Forgeries运行测试 Hybrid LSTM and Encoder-Decoder Architecture for Detection of Image Forgeries运行测试 这篇论文的测试真的有点坑，作者使用的文件有点特殊。 简称为HLED网络。 read_me.md 的指示 Resampling Features The codes for extracting resampling features can be found on “Radon” folder. Please change the input and output directory for your own dataset. Following is the command to extract the resampling features. 12python extract_resamp_feat.py In this ...

原创 ： IDAT block小结 IDAT block小结 IDAT块隐写–一生之敌 IDAT定义： 图像数据块IDAT(image data chunk)：它存储实际的数据，在数据流中可包含多个连续顺序的图像数据块。 IDAT存放着图像真正的数据信息，因此，如果能够了解IDAT的结构，用户就可以很方便的生成PNG图像。 一张图片可以有很多的IDAT块。 说了和没说一样。 先来说一说这个IDAT块长什么样 这里是16进制下的WINHEX截图 IDAT块一般的标识符为IDAT 只需要搜索这个关键字winhex就会整理出来这个IDAT头了。 但是一般的IDAT隐写会体现在IDAT块的长度上，会有一些IDAT块有异常的长度，那么就是解题的关键。 IDAT有固定的长度，正常的PNG图片只有最后一个IDAT块的长度是比其他的要短的。 那么在kali linux中,可以通过以下命令查看IDAT块的信息 123#check png picture idat block error:to see the length of idat bloc ...

原创 ： Identification of splicing edges in tampered image based on Dichromatic Reflection Model Identification of splicing edges in tampered image based on Dichromatic Reflection Model 二色反射模型 划分边缘的类型为5类的边缘： 对象边缘、 反射率边缘、 阴影边缘、 镜面边缘 遮挡边缘 （按照几何和光度条件划分 使用两个色彩空间 o1o2 和 S 两个色彩空间对自然边缘和篡改边缘的敏感度是不一样的 求边缘 使用拉普拉斯滤波器， O1O2通道使用联合梯度 阈值设定为标准差*3 当O1O2中检测出边缘 而S未检测出边缘时，判定为篡改边缘

原创 ： Image Splicing Forgery Detection Combining Coarse to Refined Convolutional Neural Network and Adapti Image Splicing Forgery Detection Combining Coarse to Refined Convolutional Neural Network and Adapti 重庆邮电大学计算机科学与技术学院。西安电子科技大学网络工程学院 其实这几个作者发表的论文不少，经常可以看到，而且总是共同发表论文。 就是感觉发表的论文虽然多但是，都有点水。 记得还有一篇DUnet，也是这个团队发表的。 网络结构 Coarse 部分 预测一个粗略的估计。拿的是vgg16的基本架构。 Refined 部分 基本的结构和Coarse 部分相同，可能多了几层的卷积。把Coarse 部分的结果直接输入到Refined 部分。 后处理部分Adaptive Clustering Approach 后处理的手法应该是挑最大的一个聚 ...

原创 ： Image Splicing Localization Using Superpixel Segmentation and Noise Level Estimation Image Splicing Localization Using Superpixel Segmentation and Noise Level Estimation 2019 12th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI) 根据超像素划分每个图像块， 对每个图像块 求噪声水平， 对于上面的图像块-噪声水平 求聚类 默认，小的聚类是篡改区域，大的聚类是原本的背景。 超像素分割有很多的好处，能够划分边界。使用超像素划分图像直接就简化问题。但是splicing里面也有一些路子很野的，不考虑语义信息，乱篡改图像的，这种情况可能就会出现问题了。 因为此时，篡改区域可能被分到不同的超像素中， 这种情况是可行的，因 ...

原创 ： Image Tampering Detection via Semantic Segmentation Network Image Tampering Detection via Semantic Segmentation Network 基于语义分割网络的篡改检测 Proceedings of ICSP2020 基本的思想是 篡改的目的在于混淆，混淆的手段在于语义物体。由此，语义检测的语义信息可以帮助篡改检测。 觉得很有道理，符合人类正常的思维。之前也有过这样的想法。但是实际上，还是有些差异，这个是使用的网络模型，而不是直接使用网络参数真的做语义分割。 要是有人实际试一试带有语义分割信息的篡改检测就好了。 实际的原理可能在于篡改检测是一种特殊的语义分割问题，人眼无法判断出其中的语义，并不说明实际没有语义差异。 多任务的模型 多任务感觉还是很流行的。 尤其是边缘和区域的这种双任务模式。 但是区域和边缘是可以转化的，不直接使用其中的一个，而用多任务。认为是这个原因。 不直接使用区域检测的结果提取边缘 或者直接使用边缘检测填充 ...

原创 ： Image splicing detection using mask-RCNN Image splicing detection using mask-RCNN Signal, Image and Video Processing (2020) 14:1035–1042 https://doi.org/10.1007/s11760-020-01636-0 据传第一张篡改图像 虽然数字成像提供了许多创造的可能性，但它也可以用来制作伪造的文件。图像篡改几乎和摄影技术本身一样古老，早在1865年，当时摄影师马修·布雷迪将弗朗西斯·p·布莱尔将军添加到一张原始照片中，让他似乎在场。 数据生成法 理想的篡改检测数据集 ： 足够大的数据集 包含不同类型 现有的公开数据集并不能满足足够条件点名批评Columbia 使用coco数据集生成大量的splicing图像 这个就比大多数拿现成的篡改数据集训练模型的论文要优秀的多了。 12万张篡改图像。 This dataset consists of 80 classes, 80,000 ...

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 多任务的基于小波池化矫正的网络 三个多任务 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。 Wavelet-pooling 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 ...

原创 ： ManTra-Net: Manipulation Tracing Network For Detection And Localization of Image Forgeries With Anom ManTra-Net: Manipulation Tracing Network For Detection And Localization of Image Forgeries With Anom 篡改检测问题可以看作是特殊的语义分割问题 是一个局部异常检测问题。 重点 主要贡献 （1）ZPool2D DNN层，以Z-score方式标准化了局部特征与其参考之间的差异； （2）从远到近的分析，该分析对从不同分辨率汇集的ZPool2D特征图执行Conv2DLSTM顺序分析。 ZPool2D计算 区域的主要特征定义为所有像素的平均。 主要特征和其他特征的差异为DF，是像素的数值-主要特征的数值。 ZF为DF的标准化。 像素级的分类。输出每个像素的pred篡改类型，总计为385个小类别。 385个小类别是由篡改类型分类 7分类 细化分类 ...