张圆丽

论文（以及slide）下载地址：https://ieeexplore.ieee.org/document/8926513/论文信息： 发表会议名称：TIFS 2020

作者信息：Jun-Liu Zhong,Chi-Man Pun,Sensor Member IEEE

1. 论文摘要（包括论文动机、创新点或者贡献，论文的结论等）

本文针对copy-move篡改提出一种网络架构，即Dense-InceptionNet。Dense-InceptionNet由Pyramid Feature Extractor(PFE),Feature Correlation Matching(FCM),和Hierarchical Post-Processing(HPP)模块组成。

1）Dense-InceptionNet是用于图像复制移动伪造检测的端到端DNN。 Dense-InceptionNet的三个金字塔特征提取器（PFE）块的组合可以提取多维和多尺度的密集特征，并有效地探索特征线索。

2）这是第一个在测试阶段检测未经训练的伪造片段的DNN解决方案。 特征关联匹配（FCM）模块可以自主地学习密集特征的关联，而不是对象类别，然后通过匹配线索搜索可能的伪造片段。

3）分层后处理（HPP）模块使用三个匹配图来获得交叉熵的组合，这可以通过反向传播进行更好的训练。

2. 论文内容

网络架构图如下图所示：

整个Dense-InceptionNet由三个部分组成，即PFE,FCM和HPP。其中PFE由包含一个预处理模块、三个Dense-InceptionNet特征提取块（使用金字塔特征提取模型，利用多层产生的feature-map可以实现多维和多尺度的特征提取）、三个过渡区块（用于压缩Dense-InceptionNet产生的feature-maps的深度和尺度）用于提取图像的多维和多尺度特征；FCM包含三个FCM块通过计算特征点与其余所有特征点的相似度来学习层次特征的相关性，生成可能的特征匹配图；HPP融合FCM输出的三个层次匹配映射来获取交叉熵的结合，可以实现更好的训练效果。

3. 自己的认识和体会（包括与自己工作的联系和启发等）

本文提出的网络架构Dense-InceptionNet与论文《BusterNet:Detecting Copy-Move Image Forgery with Source/Target Localization》中提出的BusterNet网络进行了比较，本网络架构突出的部分是可以检测未经训练的篡改类别和目标。两种方法均使用了InceptionNet来提取特征，并通过计算像素点之间的相似度来定位篡改区域，该方法可以作为检测所有篡改类型实验中的一条分支来提高检测性能。