通过ELA-CNN集成检测图像操纵:用于真实性验证的强大框架.
Ahmad M Nagm1, Mona M Moussa2, Rasha Shoitan2
1Department of Computer Engineering and Electronics, Cairo Higher Institute for Engineering, Computer Science and Management, Cairo, Egypt.
PeerJ. Computer science
|August 15, 2024
概括
本研究介绍了一种使用错误级别分析 (ELA) 和卷积神经网络 (CNN) 的新型图像伪造检测算法. 该方法有效地识别操纵的图像,实现高精度和超越现有技术.
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
- 机器学习 机器学习
背景情况:
- 图像编辑软件的快速发展导致了复杂的图像伪造的增加.
- 现有的图像操纵检测技术需要进一步提高准确性和精度.
研究的目的:
- 提出一种用于检测图像伪造的新算法,特别是复制移动和拼接攻击.
- 为了提高数字图像取证的准确性和可靠性.
主要方法:
- 拟议的算法将错误级别分析 (ELA) 与卷积神经网络 (CNN) 集成在一起.
- ELA识别了具有不同压缩水平的区域,这些ELA图像用于训练CNN模型.
- 美国有线电视新闻网的架构包括卷积,最大池,密集层,以及放弃一般化.
主要成果:
- 该算法在CASIA 2数据集上实现了99.05%的训练精度和94.14%的测试精度.
- 该系统在检测图像伪造时表现出高精度 (94.1%) 和回忆 (94.07%).
- 拟议的方法在准确性和精度上都超过了最先进的技术.
结论:
- 集成ELA和CNN提供了一个强大的和有效的解决方案,用于图像伪造检测.
- 这种方法在打击欺骗性视觉内容的扩散方面显示出重大前景.
- 进一步的研究可以建立在这种方法上,以解决日益复杂的图像操纵技术.


