论文笔记(图像篡改检测_CVPRW2019)（二）：RRU-Net: The Ringed Residual U-Net for Image Splicing Forgery Detection

论文地址：http://openaccess.thecvf.com/content_CVPRW_2019/html/CV-COPS/Bi_RRU-Net_The_Ringed_Residual_U-Net_for_Image_Splicing_Forgery_Detection_CVPRW_2019_paper.html

论文中，作者提出了一个用于拼接检测的环形残差网络。此网络是一个端到端的image essence attribute segmentation network，没有额外的预处理或后处理操作。这个RRU-Net的核心思想是强化CNN的学习方式。在此网络中包含residual propagation和residual feedback，residual propagation主要用于解决深度网络中梯度退化问题；residual feedback使篡改区域和非篡改区域的差异对比更加明显。

Motivation：

作者认为传统的基于CNN的方法使用image patch作为网络的输入，可能会丢失掉许多上下文信息，这会造成一些错误的预测。当网络的层数加深时，梯度退化问题会出现而且特征之间的可辨别性会变弱，这也使检测更加困难。

针对上述这些问题，作者提出了一个环形残差U-Net。这是一个端到端的图像分割网络，独立于人类视觉系统，可以直接定位篡改区域。更进一步，该网络通过充分利用contextual spatial information可以有效减少误预测。该网络可