45、基于局部离散余弦变换的深度学习图像伪造检测架构

基于局部离散余弦变换的深度学习图像伪造检测架构

1. 引言

如今，由于大量图像捕捉和处理工具的出现，图像伪造已成为常见现象。图像伪造的方式有多种，比如在同一图像内重新定位物体、复制并粘贴到同一图像的不同区域（复制 - 移动），或者将其他图像的物体拼接进来（拼接）。这使得普通人很难判断看到的图像是真是假。

在将图像用作法庭证据或通过媒体发布之前，其真实性需要验证。然而，目前缺乏强大的图像伪造检测工具，导致难以检查图像的真实性。同时，不仅存在许多伪造数字内容的方法和工具，也有不少隐藏篡改痕迹的手段，这使得即使是高效的算法在某些情况下也难以检测出伪造。此外，机器学习算法进行伪造检测需要大量数据集，数据不足会导致结果不佳。而且，许多现有的伪造检测方法在处理同一图像中的不同类型伪造时缺乏鲁棒性。社交媒体网站或压缩媒体对图像的处理产生的一些失真，也增加了检测的难度。因此，图像伪造检测领域的研究极具挑战性，多年来一直吸引着众多研究者的关注。

2. 文献综述

目前存在多种图像伪造检测方法：
- 仅检测复制 - 移动或拼接伪造的方法 ：
- Gani等人提出基于局部离散余弦变换（DCT）符号信息和细胞自动机的鲁棒复制 - 移动伪造检测技术，使用基于K - d树的最近邻匹配方法查找图像中的重复区域。
- Cao等人对图像的固定大小块进行DCT，为减少特征向量大小，每个块仅提取四个系数。该方法在处理多次复制 - 移动伪造、噪声和模糊方面表现良好，但存在误匹配问题。
- He等人的拼接检测技术中，DCT域的转移概率矩阵生成马尔可夫特征，扩展后得到块间和块内DCT系数的相关性，同时构建离散小波变换（DWT