Copyright ©2013-2017 中国知网论文查重检测系统入口 All Rights Reserved. 网站备案号：黔ICP备19012782号-3.
目前，对于（1）、（2）检测的算法比较多，而针对（3）的算法比较少见，接下来我们将分析最近几年使用深度学习解决上面几个问题论文，从而分析该领域的当前现状、未来方向。 关于上述几种篡改方法，图像篡改检测算法大致可以分为传统算法和深度学习算法，传统算法的特点是手工提取特征、建立模型、分析特征并分类；深度学习的算法主要通过使用CNN模型，提取特征，并通过Softmax分类，实现端到端（end-to-end）自适应学习模式。 [2] 总结了这两种算法的框架模型，基于深度学习模型数字图像篡改分析架构将像素作为输入，并且由三种层组成：图像处理层，用于特征表示的若干卷积层，以及用于分类的若干完全连接的层。
前言 今天阅读的论文是《Learning Rich Featu re s for Image Ma nipula tio n Detectio n》这可以算是 图像篡改检测 领域的一部经典之作。 Abstra ct 首先说明了 图像篡改检测 不同于显著性 检测 的一个很重要的区别在于：需要 学习 到更加丰富的特征 it pays mo re at- te n tio n to tamper ing ar ti fa ct s than to image con te nt, which sug ge sts that rich er featu re s need
这种方法产生的篡改图像与常规篡改方式产生的图像有很大区别，篡改区域与真实区域往往在统计特征、边缘伪影等方面极为相似。 因此，如何提取有效特征将会是检测的难点之一。 GAN框架由生成器和鉴别器构成，二者都是深度学习网络。 生成器负责生成真假难辨的图像，鉴别器负责对图像进行鉴别，当鉴别器无法鉴别出生成图像的时候，图像被输出。 采用这种方式产生的图像通常是常规深度学习网络无法检测出具体类别的，生成方法对于深度学习鉴别方法鲁棒性很强。 因此如何设计有效的网络结构去学习人眼无法发现的篡改线索也是检测的难点之一。 面对复杂的深度学习篡改图像，研究者们从2017年起开始了逐步探索。 2017年Nicolas Rahmouni等人 [ 57 ]首次尝试对计算机生成的篡改图像进行鉴别。
ManTra-Net网络通过识别局部异常特征来判断像素是否经过篡改，可以识别多种类型的篡改（copy-move、splicing、remove、enhancement）。 本文提出的ManTra-Net主要包括两个子网络：manipulation-trace feature extractor和LADN (local anomaly detection network)。