发表于NeurIPS 2024，因为图像篡改检测没有统一的标准，所以构建一个全面的基准，并且设计了一个框架将部分sota网络集成：Mantra-Net，MVSS-net，CAT-Net，ObjectFormer，PSCC-Net，NCL-IML，Trufor和IML-ViT。
21
发表于AAAI2025，SparseViT认为图像篡改检测应该是非语义的，非语义特征与上下文无关，且对篡改敏感。也就是说，在图像中，除非发生篡改，否则它们在各个补丁之间是一致的，而图像块之间的稀疏和离散交互足以提取非语义特征，非语义特征由于其局部独立性，可以通过稀疏编码实现全局交互。
22
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。
23
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。
24
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。
25
发表于NeuralNetworks 2024。
26
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。
27
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。
28
发表于ECCV 2024。
29
发表于IJCV 2024，多模态的图像篡改检测。
30