splicing专题
【论文笔记】CAT-Net: Compression Artifact Tracing Network for Detection and Localization of Image Splicing
CAT-Net:用于图像拼接检测和定位的压缩伪迹跟踪网络 发布于WACV2021 代码链接：https://github.com/mjkwon2021/CAT-Net 摘要 检测和定位图像拼接已经成为打击恶意伪造的重要手段。局部拼接区域的一个主要挑战是区分真实和篡改的区域的固有属性，如压缩伪迹。我们提出了CAT-Net，一个包含RGB和DCT流的端到端全卷积神经网络，以共同学习RGB和DCT域
Image splicing detection using mask-RCNN
Signal, Image and Video Processing (2020) 14:1035–1042 https://doi.org/10.1007/s11760-020-01636-0 据传第一张篡改图像 虽然数字成像提供了许多创造的可能性，但它也可以用来制作伪造的文件。图像篡改几乎和摄影技术本身一样古老，早在1865年，当时摄影师马修·布雷迪将弗朗西斯·p·布莱尔将军添
A deep learning approach to detection of splicing and copy-move forgeries in images
https://github.com/kPsarakis/Image-Forgery-Detection-CNNhttps://github.com/kPsarakis/Image-Forgery-Detection-CNN 代码是结合代尔夫特理工大学的deep learning这门课的大作业来讲的。整体上一个分类的框架，但是用了srm噪声提取器，这个后来被RGBN作为双流fas
CAT-Net: Compression Artifact Tracing Network for Detection and Localization of Image Splicing
这是一篇针对图像拼接检测黑盒定位的压缩伪影研究的论文 定位拼接区域的一个主要挑战就是区分具有固定属性的真实区域和篡改区域， 本文提出了一种端到端的全卷积神经网络——压缩伪迹跟踪网络（CAT-Net），用于检测和定位拼接区域。该网络包括RGB流、DCT流和最终融合阶段。RGB流学习视觉伪影并且DCT流学习压缩伪影（即DCT系数分布）。我们对双JPEG检测的DCT流进行预处理，并将其用作拼接定位的
Image Splicing Localization Using Superpixel Segmentation and Noise Level Estimation
2019 12th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI) 根据超像素划分每个图像块， 对每个图像块 求噪声水平， 对于上面的图像块-噪声水平 求聚类 默认，小的聚类是篡改区域，大的聚类是原本的背景。 超像素分割
论文笔记(图像篡改检测_CVPRW2019)（二）：RRU-Net: The Ringed Residual U-Net for Image Splicing Forgery Detection
论文地址：http://openaccess.thecvf.com/content_CVPRW_2019/html/CV-COPS/Bi_RRU-Net_The_Ringed_Residual_U-Net_for_Image_Splicing_Forgery_Detection_CVPRW_2019_paper.html 论文中，作者提出了一个用于拼接检测的环形残差网络。此网络是一个端到端的im
MULTI-TASK WAVELET CORRECTED NETWORK FOR IMAGE SPLICING FORGERY DETECTION AND LOCALIZATION
多任务的基于小波池化矫正的网络 三个多任务 一个区域的篡改检测 一个边缘的篡改检测 一个重构解码器来重构输入图像lx。编码器学习到的特征信息越多，重建图像IxR的质量就越好。 后半部分网络结构相同，但是不共享参数。 分别拿三个Loss去约束。 三个输出相互独立，个人认为还是把区域的pred 和边缘的pred 后面加入一个融合的小网络比较好，层数不用太多，4-5层应该就可以。 或者说，直接
论文解读：Splicing ViT Features for Semantic Appearance Transfer
Project webpage: https://splice-vit.github.io Abstruct 将两张图片中语义相近的目标的结构和风格（外观）拼接 • 输入一个 Structure/ Appearence 图像对 ： 训练生成器 。 • 关键思想是利用 预训练 和固定的视觉转换器 ( ViT ) 模型（ 作为外部语义先验 ）。 • 从 deep Vit fe
Robust detection of alternative splicing in a population of single cells
鲁棒性很好的可变剪切探测 北卡2016年1月发表在Nucleic Acids Research上的一篇Methodology 当然主要是为了介绍他们的SingleSplice 软件，python脚本实现。但是we should focus on its specific strategies to solve transcripts finding and quantificating issu
【论文笔记】Reality Transform Adversarial Generators for Image Splicing Forgery Detection and Localization
用于图像拼接伪造检测和定位的真实变换对抗生成器 发布于ICCV2021 摘要 伪造图像的生成和检测过程与生成对抗网络的原理相同。本文针对伪造图像的修图过程需要抑制篡改伪影并保持结构信息的问题，将此修图过程看作是一种图像风格变换，提出了一种假到真转换生成器GT。 为了检测篡改区域，提出了一种基于多解码器单任务策略的定位生成器GM。 在GT中提出的α-learnable whitening and
A Deep Learning based Method for Image Splicing Detection
Journal of Physics: Conference Series 1714 (2021) 012038 IOP Publishing doi:10.1088/1742-6596/1714/1/012038 Res50 进行特征的提取，保留得出的每一个结果。 使用SVM对于test进行分类. 输出的是图像是否经过篡改的二分类问题，不是像素级别的定位。 要是对图像总体进行二
