ManTra-Net: Manipulation Tracing Network论文阅读记录

摘要：提出Mantra-Net端到端的深度学习框架用于现实生活中的篡改取证，并不包含前后处理操作具有检测和定位 的功能，包括拼接、复制粘贴、移除、增强等未知类型。提出一种可以检测385中类型的篡改痕迹检测简单高效的自监督模型，把图像篡改当做异常检测，实验证明其应对多种篡改操作的组合。

 

5、实验部分

以上部分已经说明了篡改痕迹特征和异常检测网络，在标注数据集中评估其泛化性能、敏感性、鲁棒性能等，使用AUC作为性能评估标准，由于网络中少部分原始像素错误认为篡改像素，在网络中并未得到惩罚（一定程度上会造成误检过高），因此如果mask出现一半以上的篡改区域，我们则不认同。参考文献（Fighting fake news: Image splice detection via learned self-consistency）

5.1预训练模型和一般性测试

在四个数据库中评估，为了评估这些模型的可推广性，选择最新的部分cnn的图像修复算法，作为一种典型的基于域外dnn的操作。另外使用 Photoshope-battle数据集，因为数据集较大具有多样性，并未像素级的标注，我们评估时候是图像水平的评判。

 从表7中可以看出，用全随机权重训练的全随机模型不能很好地泛化，因为它过度拟合合成数据，而使用的合成数据集中呈现的伪造线索与现实世界中的有很大不同。通过冻结图像处理痕迹特征(IMTF)和随机LADN权重训练的半冻结模型可以防止这种情况的发生过拟合，但这也打消了寻找更好功能的希望<