免费论文查重认准CNKI论文查重，专为高校论文检测、毕业论文查重、硕士论文查重诞生的论文检测入口平台，CNKI论文查重系统涵盖海量的数据库，为毕业生解决各种烦恼，论文查重软件免费为各种有论文检测、论文查重需求的人提供，论文查重认准CNKI查重！
发布时间：2022-12-23 16:01:24 作者：知网小编 来源：www.it54.cn
（2）另一方面图像篡改检测旨在挖掘数字图像的恶意处理，例如删除（Removal）、添加（Adding）、复制（Copy）、截取（Splicing）图像中的对象。 图像处理检测在军事防卫、司法鉴定、图像防伪等领域有重要的价值。 本文旨在通过分析近年来基于深度学习的图像篡改检测发展，总结该方向主要发展方向、可以探索方向。 （1）和（2）有本质区别，（1）主要通过截取图像A的某个物体到图像B，并检测图像B是否被篡改；（2）主要用过复制图像A的某个物体，移动到另外一个位置，并检测图像A是否被篡改，即（1）的复制物体来自于多个图像，（2）的物体对象来自同一张图像。 关于（2）Copy-Move的比较有名的例子是伊朗导弹齐射伪造事件。
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。
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
由于图像内容篡改通常是对图中某个区域进行修改，因此也可以将篡改区域看作一种“目标”。 因此2018年Peng zhou等人 [ 39 ]将图像内容被动取证任务转换为目标检测任务，提出了RGB-N框架。 如图5-12所示，该模型整体基于Faster R-CNN框架，模型分为RGB流和噪声流两部分。
