Copyright ©2013-2017 中国知网论文查重检测系统入口 All Rights Reserved. 网站备案号：黔ICP备19012782号-3.
这种方法产生的篡改图像与常规篡改方式产生的图像有很大区别，篡改区域与真实区域往往在统计特征、边缘伪影等方面极为相似。 因此，如何提取有效特征将会是检测的难点之一。 GAN框架由生成器和鉴别器构成，二者都是深度学习网络。 生成器负责生成真假难辨的图像，鉴别器负责对图像进行鉴别，当鉴别器无法鉴别出生成图像的时候，图像被输出。 采用这种方式产生的图像通常是常规深度学习网络无法检测出具体类别的，生成方法对于深度学习鉴别方法鲁棒性很强。 因此如何设计有效的网络结构去学习人眼无法发现的篡改线索也是检测的难点之一。 面对复杂的深度学习篡改图像，研究者们从2017年起开始了逐步探索。 2017年Nicolas Rahmouni等人 [ 57 ]首次尝试对计算机生成的篡改图像进行鉴别。
日常生活中人们对图像进行修改，往往是出于美化、娱乐的目的，这并不会带来不良影响，但是在有些情况下，被恶意篡改的图像经过传播，就会影响人们对客观事物的判断，有时甚至会对社会和国家造成不良的影响，近些年，这类情况也越来越多。 历史上第一幅虚假图像出现在1860年，图1-1左图林肯的照片实际上是由右面参议员约翰·卡尔霍恩的头部替换为林肯头部得到的。
2017年Ouyang等人 [ 53 ]提出使用迁移学习的方法解决篡改图像数据集过小的问题。 该方法首先在ImageNet上进行预训练，然后再采用数量较小的复制-粘贴数据集进行微调，在图像真假分类上实现了较高的精度。 基于区域相似性检测方法将复制-粘贴区域定位问题转换为相似性匹配问题。 这类方法通常以整个图像作为输入，提取图像中大量重叠的图像块进行相似性计算，从而找到相似性最高的区域。