| description |
|---|
CAT-Net: Compression Artifact Tracing Network for Detection and Localization of Image Splicing |
Myung-Joon Kwon, In-Jae Yu, Seung-Hun Nam, and Heung-Kyu Lee. 2021. CAT-Net: Compression Artifact Tracing Network for Detection and Localization of Image Splicing. 2021 Ieee Winter Conf Appl Comput Vis Wacv 00, (2021), 375–384. DOI:https://doi.org/10.1109/wacv48630.2021.00042
__
端到端的卷积神经网络结构，是第一个考虑包括了RGB stream (就是以图片的像素作为输入)和DCT Stream（以Y-Channel的DCT coefficients DCT系数，以及一个Y-Channel quantization table作为输入，（Y通道指的就是将原始图像的色彩空间从RGB转换到YCbCr，YCbCr模型广泛应用在图片和视频的压缩传输中，Y表示的是亮度Luminance, Cb和Cr分别表示的是绿色和红色的色度成分 chroma components）），（这里是不是可以尝试换成Noise Stream），一起去学习RGB domain和DCT domain的压缩伪影Compression Artifact的方法，每个stream都考虑了多种分辨率来处理拼接对象的各种形状和大小；DCT stream主要是利用了JPEG的伪影，在两次的JPEG检测上进行了预训练，来区分真是的和拼接的统计指纹（statistical fingerprints）？？这也是第一次将二次jpeg压缩检测问题迁移学习到了图像的篡改检测上。是基于HRNet进行修改的。
在这上面再加上一个pixel-wise的attention，以及一个DCT-channel的attention。
- 就是这个网络限制了只能训练JPEG的图片，因为她使用了压缩伪影的方法，用了JPEG压缩，所以，不太好，同时，JPEG往往本来就对图片进行了压缩，而高解析度的图片，往往会以PNG出现，同时也说明，这不好应用到更多的范围上。
- built on top of HRNet, 语义分割的方法会一定适用在篡改检测里面吗，如果被篡改的部分不具有区别性的语义？
- 权重文件太大了