Copyright ?2013-2017 中國知網論文查重檢測系統入口 All Rights Reserved. 網站備案號:黔ICP備19012782號-3.
這種方法產生的篡改圖像與常規篡改方式產生的圖像有很大區別,篡改區域與真實區域往往在統計特征、邊緣偽影等方面極為相似。 因此,如何提取有效特征將會是檢測的難點之一。 GAN框架由生成器和鑒別器構成,二者都是深度學習網絡。 生成器負責生成真假難辨的圖像,鑒別器負責對圖像進行鑒別,當鑒別器無法鑒別出生成圖像的時候,圖像被輸出。 采用這種方式產生的圖像通常是常規深度學習網絡無法檢測出具體類別的,生成方法對于深度學習鑒別方法魯棒性很強。 因此如何設計有效的網絡結構去學習人眼無法發現的篡改線索也是檢測的難點之一。 面對復雜的深度學習篡改圖像,研究者們從2017年起開始了逐步探索。 2017年Nicolas Rahmouni等人 [ 57 ]首次嘗試對計算機生成的篡改圖像進行鑒別。
日常生活中人們對圖像進行修改,往往是出于美化、娛樂的目的,這并不會帶來不良影響,但是在有些情況下,被惡意篡改的圖像經過傳播,就會影響人們對客觀事物的判斷,有時甚至會對社會和國家造成不良的影響,近些年,這類情況也越來越多。 歷史上第一幅虛假圖像出現在1860年,圖1-1左圖林肯的照片實際上是由右面參議員約翰·卡爾霍恩的頭部替換為林肯頭部得到的。
2017年Ouyang等人 [ 53 ]提出使用遷移學習的方法解決篡改圖像數據集過小的問題。 該方法首先在ImageNet上進行預訓練,然后再采用數量較小的復制-粘貼數據集進行微調,在圖像真假分類上實現了較高的精度。 基于區域相似性檢測方法將復制-粘貼區域定位問題轉換為相似性匹配問題。 這類方法通常以整個圖像作為輸入,提取圖像中大量重疊的圖像塊進行相似性計算,從而找到相似性最高的區域。