HRDA-Net：面向真实场景的图像多篡改检测与定位算法

摘要

针对主流篡改数据集单幅图像仅包含一类篡改操作，且对真实图像定位存在“伪影”问题，构建面向真实场景的多篡改数据集（MM Dataset），每幅篡改图像包含拼接和移除2种篡改操作。针对多篡改检测与定位任务，提出端到端的高分辨率扩张卷积注意力网络（HRDA-Net），利用自顶向下扩张卷积注意力（TDDCA）模块融合图像 RGB 域和 SRM 域特征。最后，采用混合扩张卷积模块（MDC）分别提取拼接、移除和篡改检测任务特征，实现篡改区域定位和篡改置信度预测。为提高网络训练效率，提出余弦相似度损失函数作为辅助损失。实验结果表明，在MM Dataset下，与主流语义分割方法相比，HRDA-Net具有较优的性能和较强的稳健性；在单篡改数据集CASIA和NIST下，与主流单篡改定位方法相比，HRDA-Net的F1和AUC分数均较优。

关键词： 深度学习 ; 多篡改检测与定位 ; 多篡改数据集 ; 余弦相似度损失函数

0 引言