分类 - 图像篡改检测与定位
DiffForensics
发表于CVPR2024，两阶段的训练过程，该框架包括自监督去噪扩散的训练前阶段和多任务微调阶段，提出了一种新的边缘提示增强模块，该模块集成在多个尺度的解码器中，以增强被篡改的边缘痕迹从粗到细。
1
SUMI-IFL
发表于aixiv，使用信息瓶颈理论完成图像篡改任务，没和NP++、IFL-VIT比较。
2
EditGuard
发表于CVPR2024，将版权水印和图像篡改主动保护两个任务联合起来。
3
UGEE-Net
发表于NeuralNetworks 2024。
4
Deep Fuzzy K-Means With Adaptive Loss and Entropy Regularization
发表于IEEE Transactions on Fuzzy Systems 2019，提出了深度模糊k-means（DFKM），具有加权自适应损失函数的FKM。
5
AdaIFL:Adaptive Image Forgery Localization via a Dynamic and Importance-aware Transformer Network
发表于ECCV2024，提出了AdaIFL，为不同的网络组件定制不同的专家组，构建多个不同的特征子空间，利用自适应激活的专家网络，AdaIFL可以捕获与伪造模式相关的判别特征，增强了模型的泛化能力。提出了一种特征重要性感知注意力，自适应地感知不同区域的重要性，并将区域特征聚集成可变长度的标记，将模型的注意力导向更有区别和信息的区域。
6
Image_Manipulation_Detection_With_Implicit_Neural_Representation_and_Limited_Supervision
发表于ECCV 2024。
7
Unified Frequency-Assisted Transformer Framework for Detecting and Grounding Multi-modal Manipulation
发表于IJCV 2024，多模态的图像篡改检测。
8
Attentive and Contrastive Image Manipulation Localization With Boundary Guidance
发表于TIFS2024，被篡改区域的边界是分离被篡改和未被篡改像素的关键位置，在这项工作中，我们提出了一种图像操作检测的边界感知方案，其中我们引入了充分利用篡改区域的边界信息，并从注意和特征学习两个角度实现了我们的方案。
*现有问题*： 被篡改区域的边界是分离被篡改和未被篡改像素的关键位置。然而，如何利用这些边界信息来提高检测被篡改图像区域的性能仍有待探索。 *解决方案*： 在这项工作中，我们提出了一种图像操作检测的边界感知方案，其中我们引入了充分利用篡改区域的边界信息，并从注意和特征学习两个角度实现了我们的方案。首先，为了进一步增强操作定位，我们鼓励该模型关注一个被篡改区域周围的边界，其中经常存在非自然的混合。其次，受对比学习的启发，我们寻求学习一个特征空间，即篡改区域内的点远离篡改区域边界附近的非调和区域点，以获得更强大的特性来定位篡改区域。具体情况
在注意方面，在我们的框架的解码层中，我们提出了一种新的基于交叉注意的边界感知模块，旨在提取图像中被篡改区域的边界，从而使模型进一步集中于被篡改区域的边界。特别是，边界感知注意模块利用跳连编码特征与前一层解码特征的相关性，提取被篡改区域的边界，进一步用于生成图像篡改定位的掩模。  在特征学习方面，我们提出的模型是基于一个典型的编解码器架构及其特征学习监督由一个新颖的对比目标函数[16]，[22]，[23]，表示为边界引导篡改对比损失，为了推动分开特征采样的篡改和非篡改区域，从而学习更多的区别特征表示。为此，我们采用边界引导的采样策略来收集负训练对，其中我们在被篡改区域的边界周围采样负样本，而不是整个非被篡改区域。该采样方案不仅鼓励模型关注存在非自然混合的边界区域，而且减轻了未篡改区域内巨大变化引起的干扰（见图1中的可视化特征）。 
Robust Image Forgery Detection over Online Social Network Shared Images
发表于CVPR2022。
10