A New Approach Towards General Purpose Image Manipulation Detection论文笔记

1、解决的问题：

图像操作通常会留下图像编辑类型所特有的痕迹，分析不同图像操作的痕迹，图像取证，检测图像篡改。

2、现有检测方法：

调整大小和重采样、中值滤波、对比度增强、多JPEG压缩等，但是这些检测的都是单个目标操作，还要融合多个取证检测的结果，并且为不同的图像操作创建取证检测器是一个困难和耗时的过程。

3、constrained CNN

普通的cnn网络倾向于学习图像的内容，而不适合学习与内容无关的篡改痕迹，所以提出了一种constrained CNN的方法，让其来学习低级的操作特征。
3.1、做法：
用constrained CNN提取预测残差特征（因为预测残差很大程度上不包含图像内容，因为残差就是篡改痕迹），把constrained CNN放到CNN开始处，然后从这些残差中形成更高层次的特征。这将抑制图像的内容，并自适应地学习最适合检测取证痕迹的低级残差特征；更高层次的取证特征是从深层CNN的残差中学习得到的。
3.2、损失函数：

其中yi *(k)和yi(k)分别是第k类第i个图像的真实标签和网络输出，输出层中有m个训练图像和c个神经元(CrossEntropy)