Mejora de las redes DenseNet para el análisis forense de imágenes y la detección de imágenes manipuladas

Área de la Ciencia:

• Ciencias de la Computación
• Forense Digital
• Inteligencia Artificial

Sus antecedentes:

• Las sofisticadas técnicas de manipulación de imágenes plantean desafíos para el análisis forense de imágenes (FIA) tradicional.
• La detección precisa y eficiente de imágenes manipuladas es crucial para la aplicación de la ley y los medios de comunicación.
• Los métodos existentes tienen dificultades con la detección de manipulaciones sutiles de imágenes.

Objetivo del estudio:

• Mejorar las arquitecturas DenseNet para una mejor detección de imágenes manipuladas.
• Aumentar la precisión, reducir el tiempo de procesamiento y mejorar la robustez de la detección de imágenes manipuladas.
• Abordar las limitaciones en la detección de manipulaciones sutiles de imágenes.

Principales métodos:

• Se utilizó el filtrado gabor-bilateral (G-BF) para mejorar la extracción de características.
• Se empleó MS-DenseNet para la extracción de características multiescala (MSFE) y mecanismos de atención (AM).
• Se integró GAN-DenseNet para la generación de características realistas.

Principales resultados:

• Se logró una mejora significativa en la precisión de la detección de imágenes manipuladas del 85% al 95%.
• Se redujo el tiempo de procesamiento de 5-7 segundos a menos de 1 segundo.
• Se demostró una mayor robustez del modelo para aplicaciones de análisis forense del mundo real.

Conclusiones:

• El modelo DenseNet mejorado ofrece un rendimiento superior en la detección de imágenes manipuladas.
• La metodología proporciona una solución más robusta y eficiente para el análisis forense de imágenes.
• El trabajo futuro se centrará en la integración de mecanismos de atención avanzados y la optimización para una mayor precisión.