論文の概要: Image Copy-Move Forgery Detection via Deep Cross-Scale PatchMatch

• arxiv url: http://arxiv.org/abs/2308.04188v1
• Date: Tue, 8 Aug 2023 11:23:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-09 13:05:46.639931
• Title: Image Copy-Move Forgery Detection via Deep Cross-Scale PatchMatch
• Title（参考訳）: ディープクロススケールパッチマッチングによる画像コピーモーブ偽造検出
• Authors: Yingjie He, Yuanman Li, Changsheng Chen and Xia Li
• Abstract要約: 本稿では,従来の手法と深層手法を融合した新しいエンドツーエンドCMFDフレームワークを提案する。 具体的には、コピー-ムーブ領域をローカライズするCMFDに適した、ディープ・クロススケール・パッチマッチ法を設計する。 既存のディープモデルとは対照的に,提案手法は,ソース領域とターゲット領域との明示的かつ信頼性の高いポイント・ツー・ポイントマッチングを実現することを目的としている。
• 参考スコア（独自算出の注目度）: 17.67927506844985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recently developed deep algorithms achieve promising progress in the field of image copy-move forgery detection (CMFD). However, they have limited generalizability in some practical scenarios, where the copy-move objects may not appear in the training images or cloned regions are from the background. To address the above issues, in this work, we propose a novel end-to-end CMFD framework by integrating merits from both conventional and deep methods. Specifically, we design a deep cross-scale patchmatch method tailored for CMFD to localize copy-move regions. In contrast to existing deep models, our scheme aims to seek explicit and reliable point-to-point matching between source and target regions using features extracted from high-resolution scales. Further, we develop a manipulation region location branch for source/target separation. The proposed CMFD framework is completely differentiable and can be trained in an end-to-end manner. Extensive experimental results demonstrate the high generalizability of our method to different copy-move contents, and the proposed scheme achieves significantly better performance than existing approaches.
• Abstract（参考訳）: 最近開発された深層アルゴリズムは,イメージコピーモーブ偽造検出(cmfd)の分野で有望な進歩を遂げている。 しかし、訓練画像やクローンされた領域にコピーモブオブジェクトが存在しない場合、いくつかの実用的なシナリオでは一般化性は限られている。 以上の課題に対処するため,本研究では,従来の手法と深層手法を融合した新しいエンドツーエンドCMFDフレームワークを提案する。 具体的には、コピー-ムーブ領域をローカライズするCMFDに適した、ディープクロススケールパッチマッチ手法を設計する。 既存の深層モデルとは対照的に,高分解能スケールから抽出した特徴を用いて,ソースとターゲット領域間の明確かつ信頼性の高いポイント・ツー・ポイントマッチングを求める。 さらに、ソース/ターゲット分離のための操作領域位置分岐を開発する。 提案したCMFDフレームワークは完全に差別化可能であり、エンドツーエンドでトレーニングすることができる。 提案手法は,本手法をコピー・ムーブの異なる内容に対して高い一般化性を示し,提案手法は既存手法よりも優れた性能を実現する。

関連論文リスト

• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Mixture-of-Noises Enhanced Forgery-Aware Predictor for Multi-Face Manipulation Detection and Localization [52.87635234206178]
  本稿では,多面的操作検出と局所化に適したMoNFAPという新しいフレームワークを提案する。 このフレームワークには2つの新しいモジュールが含まれている: Forgery-aware Unified Predictor (FUP) Module と Mixture-of-Noises Module (MNM)。
  論文  参考訳（メタデータ） (2024-08-05T08:35:59Z)
• Image Copy-Move Forgery Detection via Deep PatchMatch and Pairwise Ranking Learning [39.85737063875394]
  本研究では,従来の学習手法と深層学習手法の強みを統合した,エンドツーエンドのCMFDフレームワークを開発した。 既存のディープモデルとは異なり,提案手法では,高分解能スケールから抽出した特徴を利用して,明示的で信頼性の高いポイント・ツー・ポイントマッチングを求める。 このフレームワークは、ポイント・ツー・ポイントマッチングの強い先行性を活用することで、微妙な違いを識別し、ソースとターゲットの領域を効果的に識別することができる。
  論文  参考訳（メタデータ） (2024-04-26T10:38:17Z)
• Object-level Copy-Move Forgery Image Detection based on Inconsistency Mining [25.174869954072648]
  Inconsistency Mining(IMNet)に基づくオブジェクトレベルのコピー・モーブ偽画像検出を提案する。 オブジェクトレベルの完全なターゲットを得るために、ソースと改ざんされた領域のプロトタイプをカスタマイズし、動的に更新する。 提案するIMNetの有効性とロバスト性を検証した3つの公開データセットについて実験を行った。
  論文  参考訳（メタデータ） (2024-03-31T09:01:17Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Towards Generalizable Deepfake Detection by Primary Region Regularization [52.41801719896089]
  本稿では,新しい正規化の観点から一般化能力を高める。 本手法は, 一次領域マップの静的な位置決めと, 一次領域マスクの動的利用の2段階からなる。 5つのバックボーンを持つDFDC,DF-1.0,Celeb-DFの3種類のディープフェイクデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-07-24T05:43:34Z)
• Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation [63.910211095033596]
  少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラスオブジェクトをセグメンテーションすることを目的としている。 分割・分散の精神において, 単純かつ多目的な枠組みを提案する。 提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
  論文  参考訳（メタデータ） (2022-04-21T06:21:14Z)
• Copy-Move Image Forgery Detection Based on Evolving Circular Domains Coverage [5.716030416222748]
  提案手法はブロックベースとキーポイントベースの両方の偽造検出手法を統合する。 実験結果から, CMFD方式により, 種々の攻撃による検出性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2021-09-09T16:08:03Z)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)
• Copy Move Source-Target Disambiguation through Multi-Branch CNNs [38.75957215447834]
  そこで本研究では,コピー・ムーブ・フォージェリのソース領域とターゲット領域を同定し,タグ付き領域の正確な位置決めを可能にする手法を提案する。 まず,一般のコピー-ムーブ検出器によって検出された2つのほぼ重複領域間の領域を決定することが目的である仮説テストフレームワークに問題を投入した。 そして,コピー移動領域における人工物の存在と境界の不整合を明らかにすることができる特徴セットを学習することにより,仮説テスト問題を解決するマルチブランチCNNアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2019-12-29T11:56:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。