【篡改检测 2】ManTra-Net: Manipulation Tracing Network For Detection And Localization

前言

《ManTra-Net: Manipulation Tracing Network For Detection And Localization of Image Forgeries With Anomalous Features》 是sponsored by the Defense Advanced Research Projects Agency under agreement num- ber FA8750-16-2-0204 一作是中国人，但是在为美国干事情，这让我想起了一个可怕的数字：88%的留美AI领域学者选择留在美国建设美利坚 只能说：道阻且长，任重道远

首先先来评价一下这篇文章：这是一篇少有的将问题分析的透彻、清晰、详细的文章，他们的主页其中，受人鉴别过程启发，设计了一个相对有理有据的算法，说的头头是道，但是效果上面欠点火候，Loss 和Trace Feature 的提取 欠点火候。

Abstract

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

矛和盾的问题：仅仅在医疗学领域，3.8%的论文都是存在疑问的，而且篡改手段要远远多于检测篡改的方法，换句话说矛有千万种，盾很少，矛盾不平衡，迟早会出现问题。

原来的研究关注的的几种篡改的类型（一般是10种以下），但是正是情况缺远比这复杂，在我看来也应该思考原来的评价指标（篡改检测真正发挥作用是在人也难以辨别的情况下），作者针对这个痛点，转换了问题的思路：将篡改检测问题分为了两个小问题：

1. 篡改边缘检测
2. 异常区域检测

由此，也就对应下面模型的两个部分：

1. Image Manipulation Trace Feature Extractor
2. Local Anomaly Detection Network

对于第一部分的设计采用的是实验说话，进行了大量的实验选择了backbone
对于第二部分的设计采用的是借鉴人鉴别的方式：首先能找到能够代表未篡改图的特征，然后求篡改部分与未篡改图的特征之差，当然，具体的实现要比这复杂的多，我们在后边详细介绍

Related Work

下面一张图很好的总结了前人的研究，我们重点关注两个东西：

1. Target Forgery 代表网络的能力
2. Clue/Feature 以何来鉴别

可以发现，作者的网络表达能力是最强的，所谓表达能力是能够检测和定位出300多种篡改类型，而强的来源是因为他把问题转化为异常区域检测的问题。（这部分有点含糊，暂且这样理解）

用作者的原话说：

Model

下图就是整个网络框架：

Image Manipultaion Trace Feature Extractor：

1. 输入RGB-Image
2. 三种类型的卷积核卷积，然后进行特征堆叠
3. 然后是一个全卷积

Local Anomaly Detecion Network:

这一块分为三部分

1. Aaptation：首先将前一步的特征对进行一些处理，使其能够更好的为后面服务 （将manipulation-trace feature转换为适用于anomaly detection task）
2. Anomalous Feature Extraction：这一步是关键，下面会详细介绍
3. Decision：整体考虑异常特征然后判断一个像素点是否forged
   

Local Anomaly Detection Network

给定一张图片，一个人如何判断这张图片是否经过了篡改？每个人的回答都不一样，但可能是先识别出一张图像的主要特征，然后与主要特征不一致的就是异常的。

在论文中，作者按照这样的思路，讨论了什么是主要特征、如何计算，如何量化局部特征和主要特征之间的差异。

作者将所有像素点的平均特征做为主要特征：相当于找了一个参照物(reference feature)

$z_F$ 编码了每一个局部特征和reference之间的差距，但是这样也存在一个致命的问题：reference不准确的问题如何一个图片包含了两种不相关的篡改R1 R2，background用B表示，就有可能出现这个问题，具体的情况请看下面的英文解释。

针对这个问题的解决方法是：

One quick remedy is to compute the reference feature from a local but big enough window

---

上面的整个分析过程就是所做的事情。@后面内容代表不同的窗口尺寸。

在这个地方作者有个思考：很多人的算法在这里就直接堆叠处理，作为认为这不符合人类的直觉，我们在解决一个问题的时候应该是有易到难，由远及近(Look closer to see better就有这个味道) My Perspective：直觉来看，将不同的信息混合在一起是不是会增加问题的难度？，有没有更好的解决方法

所以作者使用LSTM和TimeConcat来达到这一目的，LSTM能够利用时间序列信息，换言之，不同的特征起到不同的作用，来达到前面所说的目的。

对于Loss，使用的是普通的交叉熵Loss

Image Manipulation-Trace Feature Extractor

对于First Block 这一部分的选择可以说是全靠实验：但实验做的充分也是值得肯定的。
First Block三种类型的卷积核由实验得出(由于篇实验较多，次要内容就不贴出来了)

下图是Middle Blocks的选择，值得注意的是这是一个全卷积网络（全卷积网络更加适合诸如Segmentation等此类任务全卷积网络），而且对输入图片的size没有要求，也就意味这不需要对图片进行resize，这对篡改检测任务或许是个好处。实验得出VGG优于其他几位，所以选用vgg

Experiential

之前有很多博客说作者的效果不好，其实他们忽略了一件事情：training%

数据集

Dresden Image Database
Kaggle Camera Model Identificatio 链接
自己合成数据集
PhotoShop-battle dataset 这是很真实的假数据download