目的图像和视频合成技术在媒体后期处理领域广泛应用,随着技术门槛的降低,大量合成素材被发布并迅速传播。然而,部分合成内容可能含有误导性信息,威胁视听内容的真实性和安全性。传统合成检测方法主要依赖合成痕迹或画面异常检测,但随...目的图像和视频合成技术在媒体后期处理领域广泛应用,随着技术门槛的降低,大量合成素材被发布并迅速传播。然而,部分合成内容可能含有误导性信息,威胁视听内容的真实性和安全性。传统合成检测方法主要依赖合成痕迹或画面异常检测,但随着合成技术的不断进步,现有方法在检测精度和适应性方面仍存在优化空间,需要改进以应对日益复杂的合成内容检测需求。方法本文提出一种融合物理与深度学习的合成图像检测方法,创新性地结合光照和阴影一致性分析。通过特征提取与融合网络,实现光照图与光照强度的一致性分析,判断物体采集环境;利用交比估计检测光照方向一致性,有效提升了检测精度和适应性。同时构建了具有物理属性的数据集,为合成图像检测提供数据支持。结果在NIST 16(National Institute of Standards and Technology Database 16)、Coverage和CASIA(Chinese Academy of Sciences Institute of Automation Database)数据集上的实验表明,本文方法在AUC(area under the curve)指标上分别达到94.2%、93.6%和90.3%,F1分数分别达到80.2%、79.3%和58.1%,优于对比方法。在噪声攻击实验中,本文方法对尺寸变化、高斯模糊、高斯噪声和JPEG(Joint Photographic Experts Group)压缩表现出更强的适应性,平均AUC为84.03%。此外,本文提出的数据集在训练过程中表现出高可用性,使用该数据集训练的模型AUC平均提升18.1%。结论本文方法在准确性和鲁棒性方面均优于对比方法,构建的数据集能够有效支持合成图像检测模型的训练、验证和测试,为该领域的研究提供了重要参考。数据集下载链接:https://doi.org/10.57760/sciencedb.j00240.00069.展开更多
文摘目的图像和视频合成技术在媒体后期处理领域广泛应用,随着技术门槛的降低,大量合成素材被发布并迅速传播。然而,部分合成内容可能含有误导性信息,威胁视听内容的真实性和安全性。传统合成检测方法主要依赖合成痕迹或画面异常检测,但随着合成技术的不断进步,现有方法在检测精度和适应性方面仍存在优化空间,需要改进以应对日益复杂的合成内容检测需求。方法本文提出一种融合物理与深度学习的合成图像检测方法,创新性地结合光照和阴影一致性分析。通过特征提取与融合网络,实现光照图与光照强度的一致性分析,判断物体采集环境;利用交比估计检测光照方向一致性,有效提升了检测精度和适应性。同时构建了具有物理属性的数据集,为合成图像检测提供数据支持。结果在NIST 16(National Institute of Standards and Technology Database 16)、Coverage和CASIA(Chinese Academy of Sciences Institute of Automation Database)数据集上的实验表明,本文方法在AUC(area under the curve)指标上分别达到94.2%、93.6%和90.3%,F1分数分别达到80.2%、79.3%和58.1%,优于对比方法。在噪声攻击实验中,本文方法对尺寸变化、高斯模糊、高斯噪声和JPEG(Joint Photographic Experts Group)压缩表现出更强的适应性,平均AUC为84.03%。此外,本文提出的数据集在训练过程中表现出高可用性,使用该数据集训练的模型AUC平均提升18.1%。结论本文方法在准确性和鲁棒性方面均优于对比方法,构建的数据集能够有效支持合成图像检测模型的训练、验证和测试,为该领域的研究提供了重要参考。数据集下载链接:https://doi.org/10.57760/sciencedb.j00240.00069.
