前言
對于圖像偽造檢測來說是一個時間相對較久但并不算是視覺的熱門方向岛啸，從應用領域上看也相對離生活較遠倡勇，主要是圖像取證或是應用于偽造證件檢測，還有個交叉但也應屬于這個領域相對比較熱的應用就是人臉的PS的檢測蠢莺，這主要還是歸功于人臉識別的普及程度以及DEPPFAKE的比賽偎窘。
基本算法簡介
該方向與其他方向一樣，一般就分為傳統(tǒng)方法和深度學習方法兩種罕偎，其中傳統(tǒng)方法最常用知道的最多的應該就是基于ELA的各種方法了很澄，而深度學習方法掀起水花的可能就是Adobe自家檢測自家提出的基于FasterRCNN的雙流ps檢測網(wǎng)絡了。除了這些之外颜及，還有一些其他的算法甩苛，這里簡單列舉后面會簡單介紹。
傳統(tǒng)方法
ELA俏站， DCT讯蒲，光照一致性， 邊緣肄扎， SRM深度學習方法
Constrained R-CNN： A general image manipulation detection model
Distinguishing Computer-Generated Images from Natural Images Using Channel and Pixel Correlation
Learning-Rich-Features-for-Image-Manipulation-Detection
Distinguishing Between Natural and Computer-Generated Images Using Convolutional Neural Networks
Illuminant maps analysis for image splicing detection
busternet
mantrannet
....
算法詳述
本部分會相對詳細的介紹上面提到的算法墨林，同時也對相關資料進行整理，以供查閱反浓。
傳統(tǒng)方法
傳統(tǒng)方法理論基礎相對直觀萌丈，各種方法據(jù)其原理可解決問題對應的有它的局限性，推薦網(wǎng)站：https://fotoforensics.com/tutorial.php
該網(wǎng)站有相應示例與原理介紹雷则。
ELA
ELA的全稱是：Error Level Analysis
基本原理：JEPG是有損壓縮辆雾，每次壓縮再保存會引進更多誤差 但直接ps的不會， 誤差率是非線性的月劈。
檢測的基本方式就是以一定壓縮率再保存一次計算ELA度迂，看前后差異來確定圖片是否別修改過。
其原理也說明了ELA的局限性猜揪，無損壓縮無法檢測惭墓，多次壓縮之后也會不魯棒。
Reference：
https://github.com/qumuase/ELA
DCT
基于離散余弦變換的ps檢測而姐。
基本原理：是將圖片分成小塊腊凶，在RGB和Y空間抽取特征，計算每個小塊的特征距離，如果特征距離大于某一閾值钧萍，說明該塊是偽造的褐缠。
相比ELA來說，DCT相對更魯棒一些风瘦。
Reference:
原文：https://arxiv.org/pdf/1308.5661.pdf
go語言實現(xiàn)：https://github.com/esimov/forensic
光照一致性
光照一致性原理相對直觀队魏，完全基于圖片的光照應當同源，目前來說該方法基本難以應用万搔，本身光照極易受影響胡桨，在完全偽造的情況下做到同源難度不大，這里不再多做討論瞬雹。
基于深度學習方法
這部分內(nèi)容會比較多昧谊，而且不像傳統(tǒng)方法一樣可以給出直觀的部分，這部分的模型會更傾向于如何利用現(xiàn)在的目標檢測模型來做偽造檢測挖炬。大部分文章都是在RCNN家族的框架上做的揽浙。根據(jù)實測，會挑幾篇文章做個基本解讀意敛，其它內(nèi)容附上論文鏈接以供查閱。
