StegaPos：用不易察觉的位置编码防止剪辑和拼接
重磅干货，第一时间送达
小黑导读
论文是学术研究的精华和未来发展的明灯。小黑决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。
摘要
作者提出了一个模型，用于区分图片是摄影师发布的图片的真实副本，以及在发布后经过裁剪、拼接或降采样处理的图片。该模型包括与拍照者驻留在一起的编码器和可供观察者使用的匹配解码器。编码器学习在发布之前将难以察觉的位置签名嵌入到图像值中。解码器学会使用这些隐写位置(stegapos)签名来确定每个小图像补丁在其原始发布的图像中所持有的二维位置坐标。裁剪、拼接和downsample编辑可以通过它们在隐藏的位置签名中引起的不一致而被检测到。作者发现，共同训练编码器和解码器产生一个模型，不知不觉编码的位置，并使优越的性能在建立的基准剪接检测和高准确度的新基准剪辑检测。
作者的贡献有三方面:(1)作者引入了一种新的图像编码模型，称为隐写编码，它使用学习到的隐写噪声将可解码的绝对位置信息插入图像中。(3)作者创建并发布了一个名为SmartCrop21的剪辑检测新基准，并报告作者的模型在它上的性能。
框架结构
编码器将输入图像I与预先设置的正弦位置码Ψ域连接起来，然后将这些映射到添加到I(带有夹紧)以产生隐写图像I^的隐写位置残馀γ。
实验结果
样品剪辑检测结果(s = 1:0)。(a)原始图像I， (b)隐写图像I^， (c)地面真实剪辑(黑色)和估计剪辑(白色)。
剪辑检测误差相对于剪辑大小，从50 50(1=16种剪辑)到400 400(没有剪辑)，使用25000张图像数据集中的1000个随机样本进行可视化。列显示减少尺度s 2 f1:0的错误;0:8;0:5;0:3g。Top:估计左上角的误差(x;Y)，以像素计算。底部:估计尺度s的误差
拼接检测结果示例。
结论
作者提出了一种编码器-解码器网络，该网络获取彩色图像并注入隐写位置签名，允许在保持视觉质量的同时进行准确的补丁定位。作者发现这种编码和解码模型为拼接和剪辑定位的取证任务提供了一个有用的基础。作者的方法通过一个简单的线性回归后处理步骤，在流行的剪接检测基准上提供了具有竞争力的性能，并提供了剪辑检测的第一个实用方法。
论文链接：https://arxiv.org/pdf/2104.12290.pdf
每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。