UGEE-Net:以不确定性为导向和边缘增强的网络用于图像拼接本地化
Qixian Hao1, Ruyong Ren1, Shaozhang Niu2
1Beijing Key Lab of Intelligent Telecommunication Software and Multimedia, School of Computer, Beijing University of Posts and Telecommunications, Beijing 100876, China.
概括
我们开发了一种用于图像拼接本地化 (ISL) 的新型网络,可以提高检测改图像的准确性. 这种方法增强了微妙图像操纵的检测,并引入了用于训练法医模型的新数据集.
科学领域:
- 计算机视觉 计算机视觉
- 数字图像法医学 数字图像法医学
背景情况:
- 图像拼接是改图像的常见方法,损害了真实性.
- 现有的图像拼接本地化 (ISL) 方法在准确性方面存在局限性,特别是在不可察觉的改和多个操纵区域的情况下.
研究的目的:
- 引入一个先进的图像拼接本地化 (ISL) 网络,克服当前的局限性.
- 为了提高检测改图像的准确性和稳定性,包括那些有微妙操纵的图像.
主要方法:
- 开发了一个不确定性引导和边缘增强网络 (UGEE-Net),结合贝叶斯学习来进行不确定性映射和基于频率域的边缘增强.
- 实施了跨层次的融合和传播机制,以改善功能集成和细节增强.
- 引入了HTSI12K数据集,包含12,000个不同的拼接图像,用于模型训练.
主要成果:
- 与现有方法相比,UGEE-Net表现出卓越的检测准确性,稳定性和概括能力.
- 不确定性指导和边缘增强策略协同促进了本地化性能.
- HTSI12K数据集为训练和评估图像法医模型提供了宝贵的资源.
结论:
- 在图像拼接本地化方面,UGEE-Net提供了显著的进步,有效地解决了不可察觉的改挑战.
- 提出的方法和数据集有助于数字图像法医领域,使更可靠的真实性验证成为可能.
