论文文文文

带着问题读论文：

1、这篇论文解决了什么问题，动机是什么

2、神经网络结构是如何去构建的

3、模型训练的输入是什么，输出是什么，训练集是什么，如何进行训练，有监督还是无监督

4、模型推理的过程是什么，输入输出是什么

5、如何判别这个模型有效，在哪个方面（哪种数据集上）有效

鲁棒性

《NIS： A Signal Noise Separation-based Network for Post-processed Image Forgery Detection》

• 《基于信号噪声分离的图像后处理伪造检测网络》
• 摘要：图像伪造检测由于其潜在的安全威胁，引起了学术界和工业界的广泛研究兴趣。现有的伪造检测方法在伪造图像未经后处理的情况下，能够获得良好的篡改区域定位性能，可以通过观察图像统计特征的变化来检测伪造图像。然而，伪造图像可能会被仔细后处理，以隐藏在特定情况下的伪造边界。这对这些方法来说是一个严峻的挑战。在本文中，我们对图像伪造检测和盲信号分离进行了类似的分析，并将后处理的图像伪造检测问题转化为信号噪声分离问题。提出了一种基于信号噪声分离(SNIS)的网络来解决后处理图像伪造的检测问题。具体地说，我们首先采用信号噪声分离模块，将被篡改的区域从具有后处理噪声的复杂背景区域中分离出来，从而减弱甚至消除后处理对伪造检测的负面影响。然后，多尺度特征学习模块采用并行的自旋卷积结构，从多个角度学习高层次的全局特征。此外，利用特征融合模块，通过增强边界信息，提高了篡改区域和真实区域的可辨识性。最后，设计了预测模块，对篡改区域进行了预测，并对篡改操作类型进行了分类。大量实验表明，该方法不仅能有效地检测伪造图像，而且对多种后处理攻击具有较强的鲁棒性。此外，SNIS 在检测来自未知来源的伪造图像方面具有鲁棒性。

《ReLoc A Rstoration-Assisted Framework for Robust Image Tampering Localization》

• 《一种鲁棒的图像篡改定位恢复辅助框架》
• 摘要：随着篡改图像的普及，在数字图像中定位篡改区域越来越受到人们的重视。然而，现有的图像篡改定位方法在对篡改后的图像进行一定的后处理时，由于后处理操作会造成篡改痕迹的失真，使得图像的定位性能严重下降。对后处理鲁棒性差已成为图像篡改定位技术实际应用的瓶颈。为了解决这一问题，本文提出了一种新的图像篡改定位恢复辅助框架(ReLoc)。ReLoc 框架主要由一个影像复原模块和一个篡改本地化模块组成。ReLoc 的核心思想是利用恢复模块来恢复被篡改图像的高质量对应物，使得被篡改的痕迹可以被重新增强，便于篡改定位模块识别被篡改的区域。为了实现这一目标，不仅在图像视觉质量的约束条件下对复原模块进行了优化，而且提出了一种面向取证的目标函数。此外，恢复模块和定位模块交替训练，可以稳定训练过程，有利于提高性能。提出的框架是通过对抗 JPEG 压缩(最常用的后处理)来评估的。大量的实验结果表明，ReLoc 可以显著提高对 JPEG 压缩的鲁棒性。训练良好的 ReLoc 模型中的恢复模块是可转移的。也就是说，当直接部署另一个篡改本地化模块时，它仍然是有效的。

《Towards JPEG-resistant Image Forgery Detection and Localization via Self-supervised Domain Adaptation》

• 《基于自监督域自适应的抗 JPEG 图像伪造检测与定位》
• 摘要：随着图像编辑工具的广泛应用，伪造图像(拼接、复制、移除等)已经成为人们关注的焦点。虽然现有的图像伪造定位方法可以在多个公共数据集上取得较好的定位效果，但是在社交网络中常用的 JPEG 压缩方法中，大多数方法的定位效果较差。针对这一问题，本文提出了一种自监督域自适应网络，该网络由具有暹罗体系结构的骨干网和压缩近似网络(ComNet)组成，用于抗 JPEG 图像伪造的检测和定位。为了提高对 JPEG 压缩的性能，ComNet 通过自监督学习来逼近 JPEG 压缩操作，生成具有一般 JPEG 压缩特性的 JPEG 代理图像。然后采用域自适应策略对骨干网进行训练，定位篡改边界和区域，减轻未压缩图像和 JPEG 代理图像之间的域漂移。在几个公共数据集上的大量实验结果表明，该方法在图像伪造检测和定位方面优于或竞争其他最先进的方法，特别是对于 QF 未知的 JPEG 压缩。

《A Principled Design of Image Representation Towards Forensic Tasks》

• 《面向取证任务的图像表示原理设计》

• 摘要：图像取证是一个新兴的话题，因为可信赖的多媒体内容对现代社会至关重要。像其他视觉相关的应用，法医分析严重依赖于适当的图像表示。尽管这种表征具有重要意义，但是目前对这种表征的理论认识仍然有限，对其关键作用的忽视程度不一。针对这一差距，我们试图从理论、实施和应用三个方面来探讨面向法医学的图像表征这一独特的问题。我们的工作开始于对取证表示应该满足的基本原则的抽象，特别是揭示了健壮性、可解释性和覆盖率的关键性。在理论层面，我们提出了一个新的法医学表示框架，称为密集不变表示(DIR) ，这是一种具有数学保证的拥有属性稳定描述。在实现层面，讨论了 DIR 的离散计算问题，设计了相应的具有通用性和恒定复杂度的精确快速解。我们展示了上述关于密集域模式检测和匹配实验的论证，提供了与最先进的描述符的比较结果。此外，在应用层面，建议的 DIR 初步探讨了被动和主动取证，即拷贝移动伪造检测和感知散列，显示了在满足这些取证任务的要求的好处。

《Joint manipulation trace attention network and adaptive fusion mechanism for image splicing forgery localization》

• 《图像拼接伪造定位的联合操作轨迹注意网络和自适应融合机制》
• 摘要：剪接伪造是一种常见的图像伪造方法，它通过从供体图像中复制区域并将其粘贴到宿主图像中来对图像进行处理，复制区域包括目标区域或背景区域。为了准确检测这些伪造区域，最主流的方法是使用编码器-解码器网络结构，提取足够的操作轨迹，以确定输入图像的每个像素是否已经拼接。然而，由于这种网络的接收域有限，只能学习到局部操作轨迹，因此一些大的目标区域伪造和背景伪造不能很好地本地化。针对这些问题，本文提出了一种端到端剪接检测框架，包括定位网络 L-Net、操作跟踪注意网络 MTA-Net 和自适应多尺度融合模块。将定位网络 L-Net 设计为编解码网络，提取每个像素的局部操作轨迹，实现拼接区域的定位。MTA-Net 使用提出的内容去除卷积层(CRCL)来抑制阻碍网络学习操作痕迹的图像内容信息，然后使用后续的卷积层提取特征来区分输入图像是否为拼接图像。在此过程中，卷积层特征映射中具有较大激活值的区域是包含全局操作轨迹的区域。通过自适应多尺度融合模块(AMSFM)将这些全局操作轨迹与 L-Net 学习到的局部操作轨迹进行融合，从而使 L-Net 能够有效地处理各种尺寸的目标伪造和背景区域伪造图像。消融实验显示，在引入 MTA-Net 和 AMSFM 后，f1评分和 MCC 分别提高了4.6% 和3.9% 。在 CASIA、 COLUMB 和 CARVALHO 三个标准数据集上的剪接区域检测性能表明，所提出的方法在对象伪造和背景伪造方面都优于最先进的方法，并且对后处理方法如 JPEG 压缩和噪声添加更加稳健。

自然图像篡改检测

《Image forgery detection based on fusion of lightweight》

• 《基于轻量级深度学习模型融合的图像伪造检测》
• 摘要：图像伪造检测是各种实时应用、社交媒体和在线信息平台面临的主要挑战之一。传统的基于图像处理痕迹的检测方法局限于手工特征、大小和对比度等预定义假设的范围。本文提出了一种基于融合的图像伪造检测决策方法。决策融合基于轻量级深度学习模型 SqueezeNet、 MobileNetV2和 ShuffleNet。融合决策系统分两个阶段实现。首先，利用轻量级深度学习模型的预训练权值来评估图像的伪造。其次，利用微调权值将图像的伪造结果与预先训练的模型进行比较。实验结果表明，基于融合的决策方法比目前最先进的方法具有更高的精度。

《Effective Image Tampering Localization via Semantic Segmentation Network》

• 《基于语义分割网络的图像篡改定位》.
• 摘要：随着强大的图像编辑工具的广泛使用，图像篡改变得简单和现实。现有的图像取证方法仍然面临着准确性和鲁棒性低的挑战。注意篡改区域是典型的语义对象，本文提出了一种有效的基于深语义分割网络的图像篡改定位方案。在特征表示方面，使用了一种新的网络编码方法—— ConvNeXt 网络。然后通过超网解码器对多尺度特征进行融合，以获得更好的定位能力。采用综合损失法和有效数据增强法，保证了模型的有效训练。大量的实验结果表明，该方案的局部化性能优于其他最先进的方案。

《 Multi-semantic CRF-based attention model for image forgery detection and localization》

• 《基于多语义CRF的图像伪造检测与定位注意模型》
• 摘要：本文提出了一种新的基于深度卷积神经网络(CNN)的图像伪造检测与定位方案，该方案结合了基于多语义 CRF 的注意力模型。该方法基于边界过渡伪影在各种图像伪造操作中普遍存在的关键观察结果，通过生成注意力映射来表示图像中每个像素被伪造的概率，这在我们的基于 CRF (条件随机域)的注意力模型方法中得到了很好的表征。然后使用由此产生的注意力图重新加权卷积特征图以抑制噪声并突出显示围绕伪造边界的信息区域，指导网络捕获更多用于图像伪造的内在特征而不是操作特定的伪影。采用具有多种语义的多尺度注意图，充分利用局部和全局信息，提高泛化能力，并结合 CNN 模型进行有效的图像伪造检测和定位。在几个公共数据集上的大量实验结果表明，该方法在图像伪造检测和定位方面优于或竞争其他最新的方法。

《Geometric rectification‐based neural network architecture for image manipulation detection》

• 《基于几何校正的图像处理检测神经网络结构》
• 摘要：图像真实性的确定通常需要对图像的操纵区域进行识别和定位。因此，图像处理检测已成为多媒体取证领域的重要任务之一。近年来，卷积神经网络在图像处理检测方面取得了很好的效果。然而，现有的基于 CNN 的操作检测方法很难准确识别和定位经历了几何变换的被操作区域，因为 CNN 无法保持几何不变性。针对这一问题，提出了一种基于几何校正的图像处理检测神经网络结构。在这种网络结构中，在使用区域提议网络检测一组潜在操纵区域(PMR)之后，采用空间变换网络对这些区域的卷积特征映射(CFM)进行几何校正，以获得几何校正的 CFM (GR-CFM)。然后，计算残差特征映射(RFM)以捕获每个 PMR 的 CFM 和 GR-CFM 之间的特征不一致性。最后，通过一个设计的注意模块将计算得到的 RFM 自动集成到 GR-CFM 中，以确定每个 PMR 是否是一个被操纵区域，并在像素级定位被操纵部分。在公共数据集和我们具有挑战性的数据集上的大量实验表明，所提出的网络架构在识别和定位具有常见篡改伪影的区域方面取得了理想的性能，这些伪影涉及到几何变换。

《Self-Adversarial Training incorporating Forgery Attention for Image Forgery Localization》

• 《结合伪造注意的图像伪造定位自对抗训练》
• 摘要：图像编辑技术使人们能够在不留下视觉痕迹的情况下修改图像的内容，从而可能造成严重的安全风险。因此，这些伪造的检测和定位变得非常必要和具有挑战性。此外，不同于其他任务的大量数据，通常缺乏注释伪造图像的培训，由于注释困难。本文提出了一种自对抗训练策略和一种可靠的粗细网络，该网络利用自注意机制对伪造图像中的伪造区域进行定位。自注意模块基于一个通道型高通滤波器块(CW-HPF)。CW-HPF 利用特征的信道间关系，通过高通滤波器提取噪声特征。基于 CW-HPF，提出了一种自我注意机制，称为伪造注意机制，用于捕获从篡改区域提取的内在不一致性的丰富的上下文依赖性。具体地说，我们在 CW-HPF 的基础上分别附加了两种注意模块，分别建立了空间维度上的内部依赖模型和通道间的外部依赖模型。我们利用一个由粗到细的网络来增强原始区域和被篡改区域之间的噪声不一致性。更重要的是，为了解决训练数据不足的问题，我们设计了一种自对抗训练策略，动态扩展训练数据以获得更强的性能。具体来说，在每个训练迭代中，我们对我们的网络进行对抗性攻击，以生成对抗性的例子，并在这些例子上训练我们的模型。大量的实验结果表明，在不同的基准数据集中，我们提出的算法稳定地优于最先进的方法。

《TBNet:Two-Stream Boundary-aware Network for Generic Image Manipulation Localization》

• 《基于双流边界感知网络的通用图像操作定位》
• 摘要：在图像中寻找篡改区域是机器学习和计算机视觉领域的一个研究热点。虽然人们提出了许多图像处理定位算法，但大多数算法只关注不同颜色空间的 RGB 图像，而含有潜在篡改线索的频率信息往往被忽略。此外，在操作操作中，拼接和拷贝移动是两种常用的方法，但由于它们的特点不同，已经分别设计了具体的方法来检测拼接或拷贝移动的操作，这些方法在实践中很难得到广泛的应用。为了解决这些问题，本文提出了一种新颖的端到端双流边界感知网络(简称 TBNet) ，用于通用图像处理定位，该网络在统一的框架下对 RGB 流、频率流和边界伪影定位进行了探索。具体来说，我们首先设计了一个自适应频率选择模块(AFS)来自适应地选择合适的频率来挖掘不一致的统计量，并消除冗余统计量的干扰。然后，提出了一种自适应交叉注意融合模块(ACF)来自适应融合 RGB 特征和频率特征。最后，设计边界伪影定位网络(BAL)来定位由 ACF 输出联合更新参数的边界伪影，并将其结果进一步反馈给解码器。从而，对 RGB 流、频率流和边界伪影定位网络的参数进行了联合优化，充分挖掘了它们之间潜在的互补关系。针对 CASIA1.0、 COVER、 Carvalho 和 InThe-Wild 这四个图像操纵定位任务的公共基准进行了广泛的实验，结果表明所提出的 TBNet 在 MCC 和 F1方面都能显著优于最先进的通用图像操纵定位方法，同时对各种攻击保持鲁棒性。与在 CASIA1.0，COVER，Carvalho 和 In-TheWild 数据集上的 DeepLabV3 + 相比，MCC/f1的改进分别达到11%/11.1% ，8.2%/10.3% ，10.2%/11.6% 和8.9%/6.2% 。

《A Deep Learning Approach to Detection of Splicing and Copy-Move Forgeries in Images》

• 《图像拼接和复制-移动伪造检测的深度学习方法》
• 本文提出了一种基于深度学习技术的图像伪造检测方法，该方法利用卷积神经网络(CNN)从输入的 RGB 彩色图像中自动学习分层表示。提出的 CNN 是专门为图像拼接和拷贝移动检测应用而设计的。我们不采用随机策略，而是使用空间富集模型(SRM)中用于计算残差映射的基本高通滤波器集来初始化网络第一层的权值，作为正则化器，有效地抑制图像内容的影响，并捕获篡改操作引入的细微伪影。利用预先训练好的 CNN 作为斑块描述子，从测试图像中提取密集特征，然后探索特征融合技术，获得最终的支持向量机分类判别特征。在几个公共数据集上的实验结果表明，所提出的基于 CNN 的模型优于一些最先进的方法。

文档图像篡改检测

《A dataset for forgery detection and spotting in document images》

• 《一种用于文档图像伪造检测和定位的数据集》
• 摘要：在过去的几十年里，数字文件图像数量的激增，以及消费者修改这些图像的工具的发展，导致报告的欺诈文件案件大幅增加。这种情况促进了防止修改文件中的伪造和检测伪造文件的自动方法的发展。但是，文档取证是一个敏感的话题。数据通常要么是私有的，要么是未标记的，而且大多数报告的作品通常是在访问受限的数据集上进行评估的。本文提出了一个新的公共数据集的477腐败的工资单语料库，其中近6000个字符是伪造的。如果有可靠的基础数据，我们希望这个数据集对数位鑑识研究领域的许多工作都有用。

《Text-line examination for document forgery detection》

• 《文本行检测在文件伪造检测中的应用》
• 摘要：本文提出了一种利用文本行信息进行伪造检测的方法。在有问题的文档检查中，文本线的旋转和对齐可以作为检测被篡改文档的重要线索。测量和检测这种错误的旋转和错误的对准是一项繁琐的任务。因此，本文提出了一种基于这两种文本行特征的文档自动验证方法。对所提出的方法的深入评估表明，其在文档安全背景下的有效性，ROC曲线下面积（AUC）评分为AUC = 0.89。该方法的自动特性允许所提出的方法在大容量环境中使用。

《A deep-learning-based image forgery detection framework for controlling the spread of misinformation》

• 《一种基于深度学习的图像伪造检测框架，用于控制错误信息的传播》

• 本文利用图像变换技术，结合预训练模型初始化的细胞神经网络，提出了一种将输入图像分类为真实图像和伪造图像的框架。我们已经使用了迁移学习和早期停止的概念，以使我们的模型更有效率和训练更快。重点研究了基于复制移动和拼接技术的图像伪造检测问题。我们首先回顾了现有的关于图像处理的文献，其中图像伪造检测技术是关键的研究领域。本文中描述的分类法帮助我们缩小到现实世界图像伪造的最常见方式(复制-移动和拼接，在外行人的术语中也称为剪贴)。

  然后，我们研究了图像变换技术，这是最适合这个问题的检测拷贝移动和拼接图像通过文献。我们所实验的 LBP、 DWT 和 ELA 三种技术是在图像处理检测问题中最常用的技术。我们还说明了在这三种技术中，ELA 结合我们的分类器给出了最好的结果。因此，本文的主要贡献是利用 ELA 对图像进行变换，然后利用这些图像训练定制的细胞神经网络来检测伪造图像的合成模型。采用迁移学习方法对预训练的 VGG16神经网络权值进行初始化，进一步提高了模型的训练能力。根据文献回顾，我们在公共基准数据集上进行了实验。这些数据集还包括真实世界(不受控制的)数据集。这些数据集中的图像是从互联网上所有地方下载的，因此具有上下文性质，可以识别错误信息。

《 Document Image Forgery Detection Using RGB Color Channel》

• 《基于 RGB 彩色通道的文档图像伪造检测》
• 摘要：使用先进的数字技术和照片编辑软件，文件图像，如打字和手写文件，可以以各种方式操纵。伪造文件最常见的方法是添加或删除信息。由于文档图像的变化，文档图像中存在着错误信息和误解。多种伪造操作的伪造检测是一个具有挑战性的问题。因此，在这项工作给予特别考虑的十类问题，其中一个文本可以改变使用多种伪造类型。使用 RGB 颜色分量和 GLCM 纹理描述符计算特征。该方法对鉴别真伪文件图像是有效的。对伪造手写文件和伪造印刷文件图像的分类率分别为95.8% 和93.11% 。所得结果与文献报道的最新技术相比，前景广阔且具有竞争力。

《Learning Document Graphs with Attention for Image Manipulation Detection》

• 《基于注意学习的文档图形图像处理检测》
• 摘要：打击虚假信息和伪造文件。虽然计算机视觉的最新进展已导致检测拼接图像的方法得到改进，但大多数最先进的方法在应用于主要包含文本的图像(如文档图像)时都会失败。我们提出了一种深度学习方法来检测文档图像中的操作，该方法利用了这些图像与自然场景中的图像相比所具有的独特的结构特性。具体来说，我们将经典的图像拼接检测问题重新定义为一个节点分类问题，其中光学字符识别(OCR)包围盒形成节点和边缘根据文本特定的距离启发式。提出了一种基于变分自动编码器(VAE)的嵌入算法，该算法与注意力集中的图形神经网络相结合，优于目前最先进的图像拼接检测方法和文档特定方法。

《 Reinforced CNN Forensic Discriminator to Detect Document Forgery by DCGAN》

• 《用 DCGAN 加强 CNN 取证检测伪造文件》
• 摘要：近年来，基于生成对抗网络(GAN)的数字图像伪造技术有了很大的进步，以至于很难通过合成和编辑人脸或特定部位与原始图像进行肉眼识别。因此，数字图像伪造作为一个社会问题受到了广泛的关注。此外，通过 GAN 伪造文件可以完全改变文件的含义和上下文，很难确定文件是否是伪造的，这是危险的。然而，对伪造文件的研究很少，每天都出现新的与伪造有关的攻击。因此，在这项研究中，我们提出了一种新的卷积神经网络(CNN)法医鉴别器，可以检测伪造的文本或数字图像的遗传神经网络，这已被广泛应用于图像分类多年。为了提高 CNN 法医鉴别器的检测性能，对图像进行预处理，包括椒盐噪声和高斯噪声，训练 CNN。此外，我们还进行了 CNN 优化，使现有的 CNN 更适合于伪造文本或数字图像的检测，这主要集中在迄今为止伪造人脸的识别。使用汉语文本和数字进行的测试评估结果表明，与现有的最新方法相比，该方法在汉语文本中鉴别伪造的准确率显著提高了20% ，在数字上提高了5% ，证明了该模型的性能优越性，并验证了该方法在降低犯罪潜力方面是一种有效的工具。

Noise_Layer

《Towards Robust Deep Hiding Under Non-Differentiable Distortions for Practical Blind Watermarking》

• 《实用盲水印的不可微失真鲁棒深度隐藏算法》
• 摘要：数据隐藏是通过盲水印来证明所有权的一种广泛使用的方法。深度学习在数据隐藏中得到了广泛的应用，其中在水印图像后插入攻击仿真层(ASL)是提高流水线抗畸变鲁棒性的最有效方法。尽管 ASL 具有广泛的应用，但其增强的鲁棒性通常是通过增强的视角来解释的，而我们的工作从一个新的角度来探索这种增强，通过分离这种 ASL 的向前和向后传播。我们发现主要的影响因素是前向传播而不是后向传播。这一观察促使我们使用正向 ASL 来使管道兼容不可微和/或黑盒失真，如有损(JPEG)压缩和 Photoshop 效果。大量的实验证明了我们简单方法的有效性。

《Robust Watermarking for Video Forgery Detection with Improved Imperceptibility and Robustness》

• 《一种改进不可感知性和鲁棒性的视频伪造检测鲁棒水印算法》
• 摘要：视频容易篡改攻击，改变意思，欺骗观众。先前的视频伪造检测方案能够找到微小的线索来定位被篡改的区域。不过，攻击者可以利用视频压缩或模糊技术破坏这些线索，从而成功逃避监视。提出了一种用于篡改定位的视频水印网络。我们联合训练了一个基于3D-UNet 的水印嵌入网络和一个预测篡改掩码的解码器。水印嵌入产生的扰动几乎是不可感知的。考虑到没有现成的可微分视频编解码器模拟器，我们建议通过合并其他典型攻击的模拟结果(例如 JPEG 压缩和模糊)来模拟视频压缩。实验结果表明，该方法生成的水印视频具有良好的不可感知性和鲁棒性，准确定位被篡改的区域内的攻击版本。

《Robust Image Protection Countering Cropping Manipulation》

• 《抗裁剪操作的鲁棒图像保护》
• 摘要：图像裁剪是一种廉价而有效的恶意改变图像内容的操作。现有的裁剪检测机制分析了图像裁剪的基本痕迹，例如，色差和虚光以发现裁剪攻击。然而，它们很容易受到常见的后处理攻击的影响，后处理攻击通过去除这些线索来欺骗法医。此外，他们忽视了这样一个事实，即恢复裁剪出来的内容可以揭示行为的裁剪攻击的目的。提出了一种新的图像裁剪定位与恢复(CLR-Net)鲁棒水印方案。我们首先通过引入不易察觉的扰动来保护原始图像。然后，对典型的图像后处理攻击进行仿真，对受保护的图像进行侵蚀。在接收端，我们预测裁剪掩模并恢复原始图像。为了提高 CLR-Net 在现实世界中的鲁棒性，我们提出了两种即插即用的网络，即细粒度生成 JPEG 模拟器(FG-JPEG)和暹罗图像预处理网络。据我们所知，我们是第一个解决图像裁剪定位和从片段中恢复整个图像的综合挑战。实验结果表明，CLR-Net 能够准确地定位裁剪区域，并能够恢复裁剪区域的细节信息，即使存在不同类型的图像处理攻击，也能够保证裁剪区域的高质量和保真度。

《 ReDMark: Framework for Residual Diffusion Watermarking based on Deep Networks》

• 《基于深度网络的残差扩散水印框架》
• 摘要：由于机器学习工具和深度网络在计算机视觉和图像处理领域的迅速发展，卷积神经网络在数字水印中的应用也逐渐兴起。本文提出了一种深度端到端扩散水印框架(ReDMark) ，它可以在任意期望变换空间学习新的水印算法。该框架由两个具有剩余结构的全卷积神经网络组成，用于处理嵌入和提取操作。对整个深度网络进行端到端的训练，实现盲安全水印。该框架将各种攻击作为一个可区分的网络层进行模拟，以方便端到端的训练。将水印数据扩散到相对较宽的图像区域，增强了算法的安全性和鲁棒性。比较结果与最近的国家的最新研究突出了提出的框架在不可感知性和鲁棒性方面的优势。

《Image Generation Network for Covert Transmission in Online Social Network》

• 《用于在线社交网络隐蔽传输的图像生成网络》
• 摘要：在线社交网络比以往任何时候都更加刺激了互联网上的交流，使得通过这种嘈杂的渠道传递秘密信息成为可能。本文提出了一种无覆盖图像隐写网络(CIS-Net) ，该网络直接以秘密信息传输为条件，合成高质量的图像。CIS-Net 由四个模块组成，即生成模块、对抗模块、提取模块和噪声模块。即使图像受到 JPEG 压缩攻击而变形，接收者也能够在不丢失信息的情况下提取隐藏信息。为了掩盖隐写的行为，我们收集图像的背景下的个人资料照片和贴纸，并相应地训练我们的网络。因此，生成的图像更容易逃脱恶意检测和攻击。与以往的图像隐写方法的区别主要在于对不同攻击的鲁棒性和无损性。对多种公共数据集的实验表明，该方法具有较强的抗隐写分析能力。

《 A Novel Two-stage Separable Deep Learning Framework for Practical Blind Watermarking》

• 《一种新的两阶段可分离的实用盲水印深度学习框架》
• 摘要：作为一种重要的版权保护技术，基于端到端编解码结构的深度学习盲水印技术近年来被提出。虽然一阶段端到端训练(OET)有利于编解码器的联合学习，但噪声攻击必须以可微的方式进行模拟，这在实际中并不总是适用。另外，OET 常常遇到收敛速度慢的问题，在噪声的影响下会降低水印图像的质量。为了解决上述问题，提高算法的实用性和鲁棒性，本文提出了一种新的两阶段可分离深度学习(TSDL)实用盲水印框架。确切地说，TSDL 框架由无噪声端到端对抗训练(FEAT)和噪声感知解码器纯训练(ADOT)组成。在 FEAT 中开发了一个冗余的多层特征编码网络来获得编码器，同时使用 ADOT 来获得对任何类型的噪声都具有足够鲁棒性和实用性的解码器。大量的实验表明，与目前最先进的 OET 方法相比，该框架不仅具有更好的稳定性、更好的性能和更快的收敛速度，而且能够抵抗以前工作中没有测试过的高强度噪声。

《Learning to Immunize Images for Tamper Localization and Self-Recovery》

• 《学习免疫图像进行篡改定位和自我恢复》
• 数字图像容易受到恶意篡改攻击，如内容添加或删除，这严重改变了原始含义。它就像一个没有保护措施的人，会受到各种各样的病毒的侵害。图像免疫是一种通过引入微扰对图像进行保护的技术，通过自动恢复被篡改的内容，使被保护的图像对病毒免疫。本文提出了一种图像免疫的增强方案 Imuge + 。通过观察图像免疫与相应的自恢复之间的可逆关系，采用可逆神经网络在前向和后向通道中分别联合学习图像免疫和恢复。我们还介绍了一个有效的攻击层，包括恶意篡改和良性图像后处理，其中提出了一种新的基于蒸馏的 JPEG 模拟器，以提高 JPEG 的鲁棒性。该方法在实际测试中取得了令人满意的结果，实验表明篡改定位准确，内容恢复高保真。此外，与基于被动取证的最新方案相比，我们在篡改定位方面表现出了更好的性能。

《Robust forgery detection for compressed images using CNN supervision》

• 《基于 CNN 监控的压缩图像的鲁棒伪造检测》
• 在线共享平台上提供的图像很有可能被修改，还有一些额外的全局转换，如压缩、调整大小或过滤，以覆盖可能的修改。这种操作对伪造检测算法施加了许多约束。本文提出了一种提高图像伪造检测鲁棒性的框架。我们框架中最重要的一步是考虑与所选应用程序对应的图像质量。因此，我们依赖于一个基于卷积神经网络的摄像机辨识模型。有损数据压缩，例如 JPEG 被认为是最常见的有意或无意的图像伪造隐藏，这导致我们试验我们的建议对这种操纵。因此，我们训练有素的 CNN 是提供了一个不同质量的压缩和未压缩图像的混合物。实验结果表明，这一步骤的重要性，以提高我们的方法相对于最近的文献方法的有效性。为了更好地解释我们训练的 CNN，我们提出了一个深入的监督，首先可视化的层和实验分析的影响学习的特征。这种分析使我们得到了一个更加健壮和准确的框架。最后，将改进后的系统应用于一个图像伪造检测应用中，取得了较好的效果。