本文提出了一个不需要额外的预处理和后处理的篡改检测网络ManTra-Net。此网络是一个全卷积网络,可以处理任意尺寸的图像和多种篡改类型。主要的贡献在于用一个自监督学习的方式从385篡改类型中学习特征。并且将篡改定位问题当做一个局部异常点检测问题来解决。使用Z-score特征表示局部异常,使用long short-term memory solution进行评估。
Motivation:
1 实际中图像不止经过一种篡改方式,而且会包含许多后处理。
2 许多已存在的方法都是在图像级判断是否经过篡改,最近的一些定位算法也依赖一些费时的预处理或后处理,如patch特区、特征聚类、分割。
How and why:
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)。
1 Overview:
1 对已有特征进行组合,形成了一个更加鲁棒、通用的特征,可以识别385种特定类型的篡改方式。
2 与传统的语义分割框架不同(感觉差别是对mask特征 提取之后的做了修改),将IFLD作为一个局部异常检测问题解决。主要是通过LADN网络(使用两个design模仿人类决策)解决,(1)以Z分数形式标准化局部特征与其参考之间的差异,(2)对来自不同分辨率的Z