Only_Big的博客

【30】FaceForensics学术界最大的合成视频数据库之一介绍了一个新的面部操作数据集，大约有50万张经过编辑的图像（来自1000多个视频）。这些操作是用最先进的面部编辑方法生成的。它超过了所有现有的视频操作数据集至少一个数量级。利用我们的新数据集，我们引入了经典图像取证任务的基准测试，包括分类和分割，考虑到在不同质量级别压缩的视频。此外，我们还引入了一种基准评估方法，用于创建具有已知基本真相的无法区分的伪造品.【31】FaceForensics++学习检测操纵的面部图像FaceForensic

用于检测数字化和打印扫描变形人脸图像的可转换深层CNN特征摘要利用可转换的特徵从一个预先训练的深卷积神经网路（D-CNN）来侦测数位及印刷扫描变形人脸影像。基于两个D-CNN（VGG19和AlexNet）的第一个完全连接层的特征级融合，这两个层是使用变形人脸图像数据库专门微调的。该方法在新建立的数据库上进行了广泛的评估，该数据库包含数字和打印扫描变形人脸图像，对应真实的变形数据，反映了真实场景预处理给定人脸图像，我们首先使用Viola-Jones算法进行人脸检测[17]。在下一步中，使用[16]中

像素递归神经网络摘要提出了一个深度神经网络，它可以沿着两个空间维度顺序预测图像中的像素。我们的方法对原始像素值的离散概率进行建模，并对图像中完整的依赖集进行编码。体系结构的新颖之处包括快速二维递归层和在深层递归网络中有效地使用剩余连接。我们在自然图像上获得的对数似然分数比以前的技术水平要好得多。模型逐像素生成图像 目标是给每个由×n个像素组成的图像分配一个概率（x）。我们可以将图像写成一维序列2，其中像素是从图像中逐行提取的。为了估计联合分布（x），我们将其写成像素上条件分布的乘积：pxx xn

**学习了未知相机模型的取证源相似度**摘要构建一个系统，比较两个图像斑块，以确定它们是否由同一相机模型捕获。首先训练一个基于CNN的特征提取器来输出编码图像patch的源摄像机模型信息的一般的、高级的特征。然后，学习了一种相似性度量方法，该方法将这些特征映射成一个分数，用以指示这两个图像块是由相同的还是不同的相机模型捕获的。方法：特征提取器-学习阶段 通过特征提取函数将输入图像映射到n维特征空间，编码高级摄像机模型信息。利用一个特征相似性度量将特征对映射到一个以0和1为界的空间，0表示原相

拷贝移动图像伪造检测技术综述简要介绍复制移动图像检测的步骤伪造：预处理->特征提取->特征匹配->过滤预处理：改善图像数据和增强特征特征提取：对于基于块的算法，对每个块提取特征向量，在基于关键点的方法中，只对图像中的关键点计算特征向量（例如具有熵的区域等）特征匹配：特征提取后。通过搜索具有相似特征的块来识别复制-移动对。特征向量之间高度相似可以解释为重复区域。基于块的方法对相似特征进行排序，基于关键点的方法计算近似近邻有助于特征匹配。过滤：我们不能根据单一的相似标准来预测伪

ImageNet Large Scale Visual Recognition Challenge这篇著名的论文总结了2010-2014年以来ImageNet比赛中关于图像分类和物体识别领域的研究，在谷歌学术上有2800+的引用量。（另一篇2009年的ImageNet: A Large-Scale Hierarchical Image Database有4400+引用量。因为比赛使得计算机在图像分类和物体识别方面正确率已经超过人类，所以2017年是ImageNet最后一届比赛）。整篇论文分7大部分

Colorful Image Colorization简介这是一篇对黑白图片进行上色的论文，论文提出了一个新颖的思路用来处理颜色空间，对以后在深度学习中处理颜色变换的任务有指导和借鉴的意义。本文对论文中的方法做一个简要的介绍。方法传统的图像重建方法是对真值（ground truth）和模型预测的结果取L2范式来指导模型的学习，但作者认为在着色这个任务中， L2范式训练的模型是对所有可能的颜色求平均，导致预测的结果饱和度不够。作者另辟蹊径，把着色的回归任务变成了一个分类任务，并做了比较多的工作。2

Dilated residual networks1.之前的卷积神经网络都是通过不断降低图像精度，直到图像被一个仅保留微弱空间信息的特征map表示（一般最后卷积层输出仅为7×7），最后通过计算类别概率来分类图像。这样情况下，尽管前面卷积网络做的很好，但是整个网络却不能获取一个十分精确的结果，例如一个很小的目标对解析图片信息十分重要，但是却被前面卷积网络因为过多降维和其体积很小而直接忽略掉了。2.图像分类的深度网络大多数还作为其他需要更多详细场景理解的任务的预训练模型，而很高的空间分辨率损失对这些任务而言

【13】重播攻击即对图像进行处理，然后重新成像，区分原始图像和编辑图像。本文描述了一个框架来分析重播检测对敌方攻击的恢复能力，描述了重复攻击和防御对检测重播内容的有效性的影响。描述了一种检测重播攻击的技术（修改后的图像重新成像），以及它对进一步对抗性攻击的恢复能力。CNN能够可靠地检测重播攻击，然而，这个CNN容易受到简单的反取证攻击，即将重播图像修改为原始图像，在重复的检测/攻击周期中，攻击者似乎最终能够成功地绕过检测，然而经过这些周期，改进的攻击重播图像的质量下降。【17】换脸新潮流：BIGO风

论文链接：https://arxiv.org/abs/1610.02357参考：https://zhuanlan.zhihu.com/p/127042277inception的主要思想：矩阵聚类成相对密集的子矩阵，能提高计算性能inception v1-v3的介绍参考上一篇博客：https://blog.youkuaiyun.com/Only_Big/article/details/110656131作者从Inception v3是假设出发，即解耦通道相关性和空间相关性，进行简化，推导出深度可分离卷积

【12】inception网络模型参考：https://www.cnblogs.com/dengshunge/p/10808191.htmlInception v1在Inception v1中主要介绍如何在有限的计算资源内，进一步提升网络的性能。提升网络的性能的方法有很多，例如硬件的升级，更大的数据集等。但一般而言，提升网络性能最直接的方法是增加网络的深度和宽度。其中，网络的深度只的是网络的层数，宽度指的是每层的通道数这种方法会带来两个不足：　　a) 容易发生过拟合。当深度和宽度不断增加的时候，需

【8】使用卷积神经网络进行对齐和不对齐的双 JPEG 检测由于JPEG编码标准的广泛推广，图像取证界多年来一直十分重视双JPEG（DJPEG） 压缩探测器的开发。检测图像是否被压缩两次的能力为图像真实性评估提供了最重要的信息。鉴于卷积神经网络（CNN） 最近在许多计算机视觉任务中获得的趋势，本文建议使用 CNN 进行对齐和不对齐的双 JPEG压缩检测。特别是，我们探索CNN直接从图像捕获DJPEG伪影的能力。结果表明，拟议的基于CNN的探测器即使在小尺寸图像（即64个×64）下也实现了良好的性能