paper

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。

发表于aixiv。

发表于AAAI 2025，其使用了Noiseprint++作为低级特征提取器，使用双流结构，其使用池化操作之后的结构作为查询向量，进行融合是最大的创新点。

发表于AAAI2025，该论文同时构建IML所需的微观与宏观信息介观表征，并提出Mesorch架构，一种融合卷积神经网络和Transformer模型优势的混合模型，通过动态调整尺度权重，能高效捕捉介观层面的伪影特征。

发表于TIFS 2025，，通过在特征提取网络阶段使用dropout层让同样的图像可以得到不同的输出特征，基于此，使用了两阶段训练，第一阶段在图像内部、跨尺度和跨模态三个维度使用对比损失进行训练，第二阶段使用交叉熵训练定位头，其代码思路和FOCAL非常相似。

发表于AAAI2025，提出了GIM数据集，提出了双流网络GIMFormer。

发表于IJCAI 2025，Loupe通过整合补丁感知分类器与带条件查询的分割模块，实现了全局真实性分类与细粒度掩码预测的同步处理。为增强对测试集分布偏移的鲁棒性，该模型创新性地采用伪标签引导的测试时自适应机制，利用补丁级预测结果对分割头进行监督学习。。

发表于arxiv上的论文，非常棒的工作！其整合了深度伪造检测、图像篡改检测/定位、AI生成图像检测和文档图像处理定位四大任务，并基于基准实验，提出了独特的发现。

发表于CVPR2023，该框架通过基于Transformer的融合架构，同时提取高阶特征与低阶特征：前者整合RGB图像与自适应学习的噪声敏感指纹，后者则通过仅使用真实数据进行自监督训练，精准捕捉相机内外部处理产生的伪影特征。

发表于TPAMI2025，将输入图像分割成多个区块后，分别使用掩码自注意力和差异卷积分别建模全局和局部像素依赖，同时设计了新型的学习加权模块来融合全局和局部的特征，还设计了像素不一致性数据增强方法增强鲁棒性。但其比较论文实验的结果和原本论文在相同数据集相同指标下的结果相差太多，之后尝试在已给代码上进行测试，再完成之后阅读。

发表于ICCV2025，拿到了Highlight，M2SFormer通过在跳跃连接中统一多频段和多尺度注意力机制，借助全局上下文信息，能更精准捕捉各类伪造特征。此外，框架通过采用全局先验图（一种反映伪造检测难度的曲率度量指标）来解决上采样过程中细节丢失的问题。该方法使用分割的指标而不是图像篡改的传统指标，而且比较的方法并不是公认的sota。

TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。

发表于CVPR2025，将版权水印和图像篡改主动保护两个任务联合起来。

发表于TMM2022，将机器学习应用到操作链检测的任务中，将每一个操作视为一个元素进行翻译。

发表于TIFS2024，将强化学习引入到了图像篡改检测。

发表于AAAI2025，该框架的核心是Re-DTS策略，动态选择最合适的教师模型，将专业知识转移到学生模型。这一策略增强了学生模型处理各种篡改痕迹的能力，并提高了IFDL性能，将强化学习引入到了图像篡改检测。

发表于ACMMM 2025，提出了基于图像编辑技术的新数据集。

发表于TIP 2024，图像复制-移动伪造检测方向的图像篡改检测方法。

发表于TDSC2024，针对JPEG压缩导致的性能下降，使用解纠缠的方法，分离出jpeg压缩对篡改痕迹的影响，提出了一种鲁棒的图像伪造定位框架。

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。

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。

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。

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。

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。

发表于NeuralNetworks 2024。

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。

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。

发表于ECCV 2024。

发表于IJCV 2024，多模态的图像篡改检测。

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。

发表于CVPR2022。

发表于CVPR2024型，CAAA可以像素级自动和精确地注释大量的人工伪造的图像，进一步提出了一种新的度量QES，以方便不可靠注释的自动过滤。

发表于ACMMM2024,针对IML任务中公共训练数据集的稀缺，通过采用可调提示来利用预训练模型的丰富先验知识，即Prompt-IML框架,即插即用的特征对齐和融合模块。

发表于Pattern Recognition 2024，双同源感知生成对抗网络（DH-GAN）,选择性金字塔（SAP）校准多尺度特征。

发表于CVPR2024,集成三个视图的UnionFormer框架,一个调节不同尺度上空间一致性的篡改特征提取网络BSFI-Net。

发表于ICCV2023 将不确定性进行建模。

发表于ICCV2023，关注边界的信息，使用边界监督。

发表于ICCV2023，为弱监督图像篡改检测，具体来说，学习了两个一致性属性，多源一致性（MSC, multi-source consistency）和补丁间一致性（IPC, inter-patch consistency ）。MSC利用不同的内容无关信息，并通过在线伪标签生成和细化过程实现跨源学习。IPC执行全局成对补丁关系推理，以发现完整的操作区域。

发表于TCSVT 2023。

发表于AAAI2024，提出基于CatmullRom样条的回归网络，为了明确抑制假阳性样本和避免不确定性边界，综合再评分算法（CRA,Comprehensive Re-scoring Algorithm），综合评估每个区域的信任分数作为篡改区域，而垂直纹理交互感知（VTP, Vertical Texture-interactive Perception）控制生成更准确的区域边缘。

发表于WACV 2023，RGB频域双通道多尺度特征网络。

发表于AAAI2024，一种两阶段判别噪声引导的方法，第一阶段训练一个噪声提取器，以明确地扩大真实区域和伪造区域之间的噪声分布差异，第二阶段将噪声不一致和RGB数据集成，以进行伪造检测和定位。

发表于AAAI2024，为应对交叉熵损失优先考虑逐像素精度，但忽略了篡改区域的空间位置和形状细节，设计了基于掩码引导查询的转换器框架（MGQFormer），该框架使用GroundTruth掩码来引导可学习查询令牌（LQT）识别伪造区域。

发表于AAAI2024，包含RGB和频率特征的hrnet双分支架构，能够检测双压缩伪影的压缩伪影学习模型。

发表于MMM2024。

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。

发表于aixiv。

发表于AAAI 2025，其使用了Noiseprint++作为低级特征提取器，使用双流结构，其使用池化操作之后的结构作为查询向量，进行融合是最大的创新点。

发表于AAAI2025，该论文同时构建IML所需的微观与宏观信息介观表征，并提出Mesorch架构，一种融合卷积神经网络和Transformer模型优势的混合模型，通过动态调整尺度权重，能高效捕捉介观层面的伪影特征。

发表于TIFS 2025，，通过在特征提取网络阶段使用dropout层让同样的图像可以得到不同的输出特征，基于此，使用了两阶段训练，第一阶段在图像内部、跨尺度和跨模态三个维度使用对比损失进行训练，第二阶段使用交叉熵训练定位头，其代码思路和FOCAL非常相似。

发表于AAAI2025，提出了GIM数据集，提出了双流网络GIMFormer。

发表于IJCAI 2025，Loupe通过整合补丁感知分类器与带条件查询的分割模块，实现了全局真实性分类与细粒度掩码预测的同步处理。为增强对测试集分布偏移的鲁棒性，该模型创新性地采用伪标签引导的测试时自适应机制，利用补丁级预测结果对分割头进行监督学习。。

发表于arxiv上的论文，非常棒的工作！其整合了深度伪造检测、图像篡改检测/定位、AI生成图像检测和文档图像处理定位四大任务，并基于基准实验，提出了独特的发现。

发表于CVPR2023，该框架通过基于Transformer的融合架构，同时提取高阶特征与低阶特征：前者整合RGB图像与自适应学习的噪声敏感指纹，后者则通过仅使用真实数据进行自监督训练，精准捕捉相机内外部处理产生的伪影特征。

发表于TPAMI2025，将输入图像分割成多个区块后，分别使用掩码自注意力和差异卷积分别建模全局和局部像素依赖，同时设计了新型的学习加权模块来融合全局和局部的特征，还设计了像素不一致性数据增强方法增强鲁棒性。但其比较论文实验的结果和原本论文在相同数据集相同指标下的结果相差太多，之后尝试在已给代码上进行测试，再完成之后阅读。

发表于ICCV2025，拿到了Highlight，M2SFormer通过在跳跃连接中统一多频段和多尺度注意力机制，借助全局上下文信息，能更精准捕捉各类伪造特征。此外，框架通过采用全局先验图（一种反映伪造检测难度的曲率度量指标）来解决上采样过程中细节丢失的问题。该方法使用分割的指标而不是图像篡改的传统指标，而且比较的方法并不是公认的sota。

TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。

发表于CVPR2025，将版权水印和图像篡改主动保护两个任务联合起来。

发表于TMM2022，将机器学习应用到操作链检测的任务中，将每一个操作视为一个元素进行翻译。

发表于TIFS2024，将强化学习引入到了图像篡改检测。

发表于AAAI2025，该框架的核心是Re-DTS策略，动态选择最合适的教师模型，将专业知识转移到学生模型。这一策略增强了学生模型处理各种篡改痕迹的能力，并提高了IFDL性能，将强化学习引入到了图像篡改检测。

发表于ACMMM 2025，提出了基于图像编辑技术的新数据集。

发表于TIP 2024，图像复制-移动伪造检测方向的图像篡改检测方法。

发表于TDSC2024，针对JPEG压缩导致的性能下降，使用解纠缠的方法，分离出jpeg压缩对篡改痕迹的影响，提出了一种鲁棒的图像伪造定位框架。

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。

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。

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。

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。

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。

发表于NeuralNetworks 2024。

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。

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。

发表于ECCV 2024。

发表于IJCV 2024，多模态的图像篡改检测。

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。

发表于CVPR2022。

发表于CVPR2024型，CAAA可以像素级自动和精确地注释大量的人工伪造的图像，进一步提出了一种新的度量QES，以方便不可靠注释的自动过滤。

发表于ACMMM2024,针对IML任务中公共训练数据集的稀缺，通过采用可调提示来利用预训练模型的丰富先验知识，即Prompt-IML框架,即插即用的特征对齐和融合模块。

发表于Pattern Recognition 2024，双同源感知生成对抗网络（DH-GAN）,选择性金字塔（SAP）校准多尺度特征。

发表于CVPR2024,集成三个视图的UnionFormer框架,一个调节不同尺度上空间一致性的篡改特征提取网络BSFI-Net。

发表于ICCV2023 将不确定性进行建模。

发表于ICCV2023，关注边界的信息，使用边界监督。

发表于ICCV2023，为弱监督图像篡改检测，具体来说，学习了两个一致性属性，多源一致性（MSC, multi-source consistency）和补丁间一致性（IPC, inter-patch consistency ）。MSC利用不同的内容无关信息，并通过在线伪标签生成和细化过程实现跨源学习。IPC执行全局成对补丁关系推理，以发现完整的操作区域。

发表于TCSVT 2023。

发表于AAAI2024，提出基于CatmullRom样条的回归网络，为了明确抑制假阳性样本和避免不确定性边界，综合再评分算法（CRA,Comprehensive Re-scoring Algorithm），综合评估每个区域的信任分数作为篡改区域，而垂直纹理交互感知（VTP, Vertical Texture-interactive Perception）控制生成更准确的区域边缘。

发表于WACV 2023，RGB频域双通道多尺度特征网络。

发表于AAAI2024，一种两阶段判别噪声引导的方法，第一阶段训练一个噪声提取器，以明确地扩大真实区域和伪造区域之间的噪声分布差异，第二阶段将噪声不一致和RGB数据集成，以进行伪造检测和定位。

发表于AAAI2024，为应对交叉熵损失优先考虑逐像素精度，但忽略了篡改区域的空间位置和形状细节，设计了基于掩码引导查询的转换器框架（MGQFormer），该框架使用GroundTruth掩码来引导可学习查询令牌（LQT）识别伪造区域。

发表于AAAI2024，包含RGB和频率特征的hrnet双分支架构，能够检测双压缩伪影的压缩伪影学习模型。

发表于MMM2024。

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。

发表于aixiv。

发表于AAAI 2025，其使用了Noiseprint++作为低级特征提取器，使用双流结构，其使用池化操作之后的结构作为查询向量，进行融合是最大的创新点。

发表于AAAI2025，该论文同时构建IML所需的微观与宏观信息介观表征，并提出Mesorch架构，一种融合卷积神经网络和Transformer模型优势的混合模型，通过动态调整尺度权重，能高效捕捉介观层面的伪影特征。

发表于TIFS 2025，，通过在特征提取网络阶段使用dropout层让同样的图像可以得到不同的输出特征，基于此，使用了两阶段训练，第一阶段在图像内部、跨尺度和跨模态三个维度使用对比损失进行训练，第二阶段使用交叉熵训练定位头，其代码思路和FOCAL非常相似。

发表于AAAI2025，提出了GIM数据集，提出了双流网络GIMFormer。

发表于IJCAI 2025，Loupe通过整合补丁感知分类器与带条件查询的分割模块，实现了全局真实性分类与细粒度掩码预测的同步处理。为增强对测试集分布偏移的鲁棒性，该模型创新性地采用伪标签引导的测试时自适应机制，利用补丁级预测结果对分割头进行监督学习。。

发表于arxiv上的论文，非常棒的工作！其整合了深度伪造检测、图像篡改检测/定位、AI生成图像检测和文档图像处理定位四大任务，并基于基准实验，提出了独特的发现。

发表于CVPR2023，该框架通过基于Transformer的融合架构，同时提取高阶特征与低阶特征：前者整合RGB图像与自适应学习的噪声敏感指纹，后者则通过仅使用真实数据进行自监督训练，精准捕捉相机内外部处理产生的伪影特征。

发表于TPAMI2025，将输入图像分割成多个区块后，分别使用掩码自注意力和差异卷积分别建模全局和局部像素依赖，同时设计了新型的学习加权模块来融合全局和局部的特征，还设计了像素不一致性数据增强方法增强鲁棒性。但其比较论文实验的结果和原本论文在相同数据集相同指标下的结果相差太多，之后尝试在已给代码上进行测试，再完成之后阅读。

发表于ICCV2025，拿到了Highlight，M2SFormer通过在跳跃连接中统一多频段和多尺度注意力机制，借助全局上下文信息，能更精准捕捉各类伪造特征。此外，框架通过采用全局先验图（一种反映伪造检测难度的曲率度量指标）来解决上采样过程中细节丢失的问题。该方法使用分割的指标而不是图像篡改的传统指标，而且比较的方法并不是公认的sota。

TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。

发表于CVPR2025，将版权水印和图像篡改主动保护两个任务联合起来。

发表于TMM2022，将机器学习应用到操作链检测的任务中，将每一个操作视为一个元素进行翻译。

发表于TIFS2024，将强化学习引入到了图像篡改检测。

发表于AAAI2025，该框架的核心是Re-DTS策略，动态选择最合适的教师模型，将专业知识转移到学生模型。这一策略增强了学生模型处理各种篡改痕迹的能力，并提高了IFDL性能，将强化学习引入到了图像篡改检测。

发表于ACMMM 2025，提出了基于图像编辑技术的新数据集。

发表于TIP 2024，图像复制-移动伪造检测方向的图像篡改检测方法。

发表于TDSC2024，针对JPEG压缩导致的性能下降，使用解纠缠的方法，分离出jpeg压缩对篡改痕迹的影响，提出了一种鲁棒的图像伪造定位框架。

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。

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。

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。

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。

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。

发表于NeuralNetworks 2024。

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。

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。

发表于ECCV 2024。

发表于IJCV 2024，多模态的图像篡改检测。

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。

发表于CVPR2022。

发表于CVPR2024型，CAAA可以像素级自动和精确地注释大量的人工伪造的图像，进一步提出了一种新的度量QES，以方便不可靠注释的自动过滤。

发表于ACMMM2024,针对IML任务中公共训练数据集的稀缺，通过采用可调提示来利用预训练模型的丰富先验知识，即Prompt-IML框架,即插即用的特征对齐和融合模块。

发表于Pattern Recognition 2024，双同源感知生成对抗网络（DH-GAN）,选择性金字塔（SAP）校准多尺度特征。

发表于CVPR2024,集成三个视图的UnionFormer框架,一个调节不同尺度上空间一致性的篡改特征提取网络BSFI-Net。

发表于ICCV2023 将不确定性进行建模。

发表于ICCV2023，关注边界的信息，使用边界监督。

发表于ICCV2023，为弱监督图像篡改检测，具体来说，学习了两个一致性属性，多源一致性（MSC, multi-source consistency）和补丁间一致性（IPC, inter-patch consistency ）。MSC利用不同的内容无关信息，并通过在线伪标签生成和细化过程实现跨源学习。IPC执行全局成对补丁关系推理，以发现完整的操作区域。

发表于TCSVT 2023。

发表于AAAI2024，提出基于CatmullRom样条的回归网络，为了明确抑制假阳性样本和避免不确定性边界，综合再评分算法（CRA,Comprehensive Re-scoring Algorithm），综合评估每个区域的信任分数作为篡改区域，而垂直纹理交互感知（VTP, Vertical Texture-interactive Perception）控制生成更准确的区域边缘。

发表于WACV 2023，RGB频域双通道多尺度特征网络。

发表于AAAI2024，一种两阶段判别噪声引导的方法，第一阶段训练一个噪声提取器，以明确地扩大真实区域和伪造区域之间的噪声分布差异，第二阶段将噪声不一致和RGB数据集成，以进行伪造检测和定位。

发表于AAAI2024，为应对交叉熵损失优先考虑逐像素精度，但忽略了篡改区域的空间位置和形状细节，设计了基于掩码引导查询的转换器框架（MGQFormer），该框架使用GroundTruth掩码来引导可学习查询令牌（LQT）识别伪造区域。

发表于AAAI2024，包含RGB和频率特征的hrnet双分支架构，能够检测双压缩伪影的压缩伪影学习模型。

发表于MMM2024。

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。

发表于aixiv。

发表于AAAI 2025，其使用了Noiseprint++作为低级特征提取器，使用双流结构，其使用池化操作之后的结构作为查询向量，进行融合是最大的创新点。

发表于AAAI2025，该论文同时构建IML所需的微观与宏观信息介观表征，并提出Mesorch架构，一种融合卷积神经网络和Transformer模型优势的混合模型，通过动态调整尺度权重，能高效捕捉介观层面的伪影特征。

发表于TIFS 2025，，通过在特征提取网络阶段使用dropout层让同样的图像可以得到不同的输出特征，基于此，使用了两阶段训练，第一阶段在图像内部、跨尺度和跨模态三个维度使用对比损失进行训练，第二阶段使用交叉熵训练定位头，其代码思路和FOCAL非常相似。

发表于AAAI2025，提出了GIM数据集，提出了双流网络GIMFormer。

发表于IJCAI 2025，Loupe通过整合补丁感知分类器与带条件查询的分割模块，实现了全局真实性分类与细粒度掩码预测的同步处理。为增强对测试集分布偏移的鲁棒性，该模型创新性地采用伪标签引导的测试时自适应机制，利用补丁级预测结果对分割头进行监督学习。。

发表于arxiv上的论文，非常棒的工作！其整合了深度伪造检测、图像篡改检测/定位、AI生成图像检测和文档图像处理定位四大任务，并基于基准实验，提出了独特的发现。

发表于CVPR2023，该框架通过基于Transformer的融合架构，同时提取高阶特征与低阶特征：前者整合RGB图像与自适应学习的噪声敏感指纹，后者则通过仅使用真实数据进行自监督训练，精准捕捉相机内外部处理产生的伪影特征。

发表于TPAMI2025，将输入图像分割成多个区块后，分别使用掩码自注意力和差异卷积分别建模全局和局部像素依赖，同时设计了新型的学习加权模块来融合全局和局部的特征，还设计了像素不一致性数据增强方法增强鲁棒性。但其比较论文实验的结果和原本论文在相同数据集相同指标下的结果相差太多，之后尝试在已给代码上进行测试，再完成之后阅读。

发表于ICCV2025，拿到了Highlight，M2SFormer通过在跳跃连接中统一多频段和多尺度注意力机制，借助全局上下文信息，能更精准捕捉各类伪造特征。此外，框架通过采用全局先验图（一种反映伪造检测难度的曲率度量指标）来解决上采样过程中细节丢失的问题。该方法使用分割的指标而不是图像篡改的传统指标，而且比较的方法并不是公认的sota。

TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。

发表于CVPR2025，将版权水印和图像篡改主动保护两个任务联合起来。

发表于TMM2022，将机器学习应用到操作链检测的任务中，将每一个操作视为一个元素进行翻译。

发表于TIFS2024，将强化学习引入到了图像篡改检测。

发表于AAAI2025，该框架的核心是Re-DTS策略，动态选择最合适的教师模型，将专业知识转移到学生模型。这一策略增强了学生模型处理各种篡改痕迹的能力，并提高了IFDL性能，将强化学习引入到了图像篡改检测。

发表于ACMMM 2025，提出了基于图像编辑技术的新数据集。

发表于TIP 2024，图像复制-移动伪造检测方向的图像篡改检测方法。

发表于TDSC2024，针对JPEG压缩导致的性能下降，使用解纠缠的方法，分离出jpeg压缩对篡改痕迹的影响，提出了一种鲁棒的图像伪造定位框架。

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。

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。

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。

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。

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。

发表于NeuralNetworks 2024。

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。

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。

发表于ECCV 2024。

发表于IJCV 2024，多模态的图像篡改检测。

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。

发表于CVPR2022。

发表于CVPR2024型，CAAA可以像素级自动和精确地注释大量的人工伪造的图像，进一步提出了一种新的度量QES，以方便不可靠注释的自动过滤。

发表于ACMMM2024,针对IML任务中公共训练数据集的稀缺，通过采用可调提示来利用预训练模型的丰富先验知识，即Prompt-IML框架,即插即用的特征对齐和融合模块。

发表于Pattern Recognition 2024，双同源感知生成对抗网络（DH-GAN）,选择性金字塔（SAP）校准多尺度特征。

发表于CVPR2024,集成三个视图的UnionFormer框架,一个调节不同尺度上空间一致性的篡改特征提取网络BSFI-Net。

发表于ICCV2023 将不确定性进行建模。

发表于ICCV2023，关注边界的信息，使用边界监督。

发表于ICCV2023，为弱监督图像篡改检测，具体来说，学习了两个一致性属性，多源一致性（MSC, multi-source consistency）和补丁间一致性（IPC, inter-patch consistency ）。MSC利用不同的内容无关信息，并通过在线伪标签生成和细化过程实现跨源学习。IPC执行全局成对补丁关系推理，以发现完整的操作区域。

发表于TCSVT 2023。

发表于AAAI2024，提出基于CatmullRom样条的回归网络，为了明确抑制假阳性样本和避免不确定性边界，综合再评分算法（CRA,Comprehensive Re-scoring Algorithm），综合评估每个区域的信任分数作为篡改区域，而垂直纹理交互感知（VTP, Vertical Texture-interactive Perception）控制生成更准确的区域边缘。

发表于WACV 2023，RGB频域双通道多尺度特征网络。

发表于AAAI2024，一种两阶段判别噪声引导的方法，第一阶段训练一个噪声提取器，以明确地扩大真实区域和伪造区域之间的噪声分布差异，第二阶段将噪声不一致和RGB数据集成，以进行伪造检测和定位。

发表于AAAI2024，为应对交叉熵损失优先考虑逐像素精度，但忽略了篡改区域的空间位置和形状细节，设计了基于掩码引导查询的转换器框架（MGQFormer），该框架使用GroundTruth掩码来引导可学习查询令牌（LQT）识别伪造区域。

发表于AAAI2024，包含RGB和频率特征的hrnet双分支架构，能够检测双压缩伪影的压缩伪影学习模型。

发表于MMM2024。

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。

发表于aixiv。

发表于AAAI 2025，其使用了Noiseprint++作为低级特征提取器，使用双流结构，其使用池化操作之后的结构作为查询向量，进行融合是最大的创新点。

发表于AAAI2025，该论文同时构建IML所需的微观与宏观信息介观表征，并提出Mesorch架构，一种融合卷积神经网络和Transformer模型优势的混合模型，通过动态调整尺度权重，能高效捕捉介观层面的伪影特征。

发表于TIFS 2025，，通过在特征提取网络阶段使用dropout层让同样的图像可以得到不同的输出特征，基于此，使用了两阶段训练，第一阶段在图像内部、跨尺度和跨模态三个维度使用对比损失进行训练，第二阶段使用交叉熵训练定位头，其代码思路和FOCAL非常相似。

发表于AAAI2025，提出了GIM数据集，提出了双流网络GIMFormer。

发表于IJCAI 2025，Loupe通过整合补丁感知分类器与带条件查询的分割模块，实现了全局真实性分类与细粒度掩码预测的同步处理。为增强对测试集分布偏移的鲁棒性，该模型创新性地采用伪标签引导的测试时自适应机制，利用补丁级预测结果对分割头进行监督学习。。

发表于arxiv上的论文，非常棒的工作！其整合了深度伪造检测、图像篡改检测/定位、AI生成图像检测和文档图像处理定位四大任务，并基于基准实验，提出了独特的发现。

发表于CVPR2023，该框架通过基于Transformer的融合架构，同时提取高阶特征与低阶特征：前者整合RGB图像与自适应学习的噪声敏感指纹，后者则通过仅使用真实数据进行自监督训练，精准捕捉相机内外部处理产生的伪影特征。

发表于TPAMI2025，将输入图像分割成多个区块后，分别使用掩码自注意力和差异卷积分别建模全局和局部像素依赖，同时设计了新型的学习加权模块来融合全局和局部的特征，还设计了像素不一致性数据增强方法增强鲁棒性。但其比较论文实验的结果和原本论文在相同数据集相同指标下的结果相差太多，之后尝试在已给代码上进行测试，再完成之后阅读。

发表于ICCV2025，拿到了Highlight，M2SFormer通过在跳跃连接中统一多频段和多尺度注意力机制，借助全局上下文信息，能更精准捕捉各类伪造特征。此外，框架通过采用全局先验图（一种反映伪造检测难度的曲率度量指标）来解决上采样过程中细节丢失的问题。该方法使用分割的指标而不是图像篡改的传统指标，而且比较的方法并不是公认的sota。

TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。

发表于CVPR2025，将版权水印和图像篡改主动保护两个任务联合起来。

发表于TMM2022，将机器学习应用到操作链检测的任务中，将每一个操作视为一个元素进行翻译。

发表于TIFS2024，将强化学习引入到了图像篡改检测。

发表于AAAI2025，该框架的核心是Re-DTS策略，动态选择最合适的教师模型，将专业知识转移到学生模型。这一策略增强了学生模型处理各种篡改痕迹的能力，并提高了IFDL性能，将强化学习引入到了图像篡改检测。

发表于ACMMM 2025，提出了基于图像编辑技术的新数据集。

发表于TIP 2024，图像复制-移动伪造检测方向的图像篡改检测方法。

发表于TDSC2024，针对JPEG压缩导致的性能下降，使用解纠缠的方法，分离出jpeg压缩对篡改痕迹的影响，提出了一种鲁棒的图像伪造定位框架。

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。

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。

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。

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。

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。

发表于NeuralNetworks 2024。

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。

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。

发表于ECCV 2024。

发表于IJCV 2024，多模态的图像篡改检测。

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。

发表于CVPR2022。

发表于CVPR2024型，CAAA可以像素级自动和精确地注释大量的人工伪造的图像，进一步提出了一种新的度量QES，以方便不可靠注释的自动过滤。

发表于ACMMM2024,针对IML任务中公共训练数据集的稀缺，通过采用可调提示来利用预训练模型的丰富先验知识，即Prompt-IML框架,即插即用的特征对齐和融合模块。

发表于Pattern Recognition 2024，双同源感知生成对抗网络（DH-GAN）,选择性金字塔（SAP）校准多尺度特征。

发表于CVPR2024,集成三个视图的UnionFormer框架,一个调节不同尺度上空间一致性的篡改特征提取网络BSFI-Net。

发表于ICCV2023 将不确定性进行建模。

发表于ICCV2023，关注边界的信息，使用边界监督。

发表于ICCV2023，为弱监督图像篡改检测，具体来说，学习了两个一致性属性，多源一致性（MSC, multi-source consistency）和补丁间一致性（IPC, inter-patch consistency ）。MSC利用不同的内容无关信息，并通过在线伪标签生成和细化过程实现跨源学习。IPC执行全局成对补丁关系推理，以发现完整的操作区域。

发表于TCSVT 2023。

发表于AAAI2024，提出基于CatmullRom样条的回归网络，为了明确抑制假阳性样本和避免不确定性边界，综合再评分算法（CRA,Comprehensive Re-scoring Algorithm），综合评估每个区域的信任分数作为篡改区域，而垂直纹理交互感知（VTP, Vertical Texture-interactive Perception）控制生成更准确的区域边缘。

发表于WACV 2023，RGB频域双通道多尺度特征网络。

发表于AAAI2024，一种两阶段判别噪声引导的方法，第一阶段训练一个噪声提取器，以明确地扩大真实区域和伪造区域之间的噪声分布差异，第二阶段将噪声不一致和RGB数据集成，以进行伪造检测和定位。

发表于AAAI2024，为应对交叉熵损失优先考虑逐像素精度，但忽略了篡改区域的空间位置和形状细节，设计了基于掩码引导查询的转换器框架（MGQFormer），该框架使用GroundTruth掩码来引导可学习查询令牌（LQT）识别伪造区域。

发表于AAAI2024，包含RGB和频率特征的hrnet双分支架构，能够检测双压缩伪影的压缩伪影学习模型。

发表于MMM2024。

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。

发表于aixiv。

发表于AAAI 2025，其使用了Noiseprint++作为低级特征提取器，使用双流结构，其使用池化操作之后的结构作为查询向量，进行融合是最大的创新点。

发表于AAAI2025，该论文同时构建IML所需的微观与宏观信息介观表征，并提出Mesorch架构，一种融合卷积神经网络和Transformer模型优势的混合模型，通过动态调整尺度权重，能高效捕捉介观层面的伪影特征。

发表于TIFS 2025，，通过在特征提取网络阶段使用dropout层让同样的图像可以得到不同的输出特征，基于此，使用了两阶段训练，第一阶段在图像内部、跨尺度和跨模态三个维度使用对比损失进行训练，第二阶段使用交叉熵训练定位头，其代码思路和FOCAL非常相似。

发表于AAAI2025，提出了GIM数据集，提出了双流网络GIMFormer。

发表于IJCAI 2025，Loupe通过整合补丁感知分类器与带条件查询的分割模块，实现了全局真实性分类与细粒度掩码预测的同步处理。为增强对测试集分布偏移的鲁棒性，该模型创新性地采用伪标签引导的测试时自适应机制，利用补丁级预测结果对分割头进行监督学习。。

发表于arxiv上的论文，非常棒的工作！其整合了深度伪造检测、图像篡改检测/定位、AI生成图像检测和文档图像处理定位四大任务，并基于基准实验，提出了独特的发现。

发表于CVPR2023，该框架通过基于Transformer的融合架构，同时提取高阶特征与低阶特征：前者整合RGB图像与自适应学习的噪声敏感指纹，后者则通过仅使用真实数据进行自监督训练，精准捕捉相机内外部处理产生的伪影特征。

发表于TPAMI2025，将输入图像分割成多个区块后，分别使用掩码自注意力和差异卷积分别建模全局和局部像素依赖，同时设计了新型的学习加权模块来融合全局和局部的特征，还设计了像素不一致性数据增强方法增强鲁棒性。但其比较论文实验的结果和原本论文在相同数据集相同指标下的结果相差太多，之后尝试在已给代码上进行测试，再完成之后阅读。

发表于ICCV2025，拿到了Highlight，M2SFormer通过在跳跃连接中统一多频段和多尺度注意力机制，借助全局上下文信息，能更精准捕捉各类伪造特征。此外，框架通过采用全局先验图（一种反映伪造检测难度的曲率度量指标）来解决上采样过程中细节丢失的问题。该方法使用分割的指标而不是图像篡改的传统指标，而且比较的方法并不是公认的sota。

TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。

发表于CVPR2025，将版权水印和图像篡改主动保护两个任务联合起来。

发表于TMM2022，将机器学习应用到操作链检测的任务中，将每一个操作视为一个元素进行翻译。

发表于TIFS2024，将强化学习引入到了图像篡改检测。

发表于AAAI2025，该框架的核心是Re-DTS策略，动态选择最合适的教师模型，将专业知识转移到学生模型。这一策略增强了学生模型处理各种篡改痕迹的能力，并提高了IFDL性能，将强化学习引入到了图像篡改检测。

发表于ACMMM 2025，提出了基于图像编辑技术的新数据集。

发表于TIP 2024，图像复制-移动伪造检测方向的图像篡改检测方法。

发表于TDSC2024，针对JPEG压缩导致的性能下降，使用解纠缠的方法，分离出jpeg压缩对篡改痕迹的影响，提出了一种鲁棒的图像伪造定位框架。

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。

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。

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。

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。

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。

发表于NeuralNetworks 2024。

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。

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。

发表于ECCV 2024。

发表于IJCV 2024，多模态的图像篡改检测。

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。

发表于CVPR2022。

发表于CVPR2024型，CAAA可以像素级自动和精确地注释大量的人工伪造的图像，进一步提出了一种新的度量QES，以方便不可靠注释的自动过滤。

发表于ACMMM2024,针对IML任务中公共训练数据集的稀缺，通过采用可调提示来利用预训练模型的丰富先验知识，即Prompt-IML框架,即插即用的特征对齐和融合模块。

发表于Pattern Recognition 2024，双同源感知生成对抗网络（DH-GAN）,选择性金字塔（SAP）校准多尺度特征。

发表于CVPR2024,集成三个视图的UnionFormer框架,一个调节不同尺度上空间一致性的篡改特征提取网络BSFI-Net。

发表于ICCV2023 将不确定性进行建模。

发表于ICCV2023，关注边界的信息，使用边界监督。

发表于ICCV2023，为弱监督图像篡改检测，具体来说，学习了两个一致性属性，多源一致性（MSC, multi-source consistency）和补丁间一致性（IPC, inter-patch consistency ）。MSC利用不同的内容无关信息，并通过在线伪标签生成和细化过程实现跨源学习。IPC执行全局成对补丁关系推理，以发现完整的操作区域。

发表于TCSVT 2023。

发表于AAAI2024，提出基于CatmullRom样条的回归网络，为了明确抑制假阳性样本和避免不确定性边界，综合再评分算法（CRA,Comprehensive Re-scoring Algorithm），综合评估每个区域的信任分数作为篡改区域，而垂直纹理交互感知（VTP, Vertical Texture-interactive Perception）控制生成更准确的区域边缘。

发表于WACV 2023，RGB频域双通道多尺度特征网络。

发表于AAAI2024，一种两阶段判别噪声引导的方法，第一阶段训练一个噪声提取器，以明确地扩大真实区域和伪造区域之间的噪声分布差异，第二阶段将噪声不一致和RGB数据集成，以进行伪造检测和定位。

发表于AAAI2024，为应对交叉熵损失优先考虑逐像素精度，但忽略了篡改区域的空间位置和形状细节，设计了基于掩码引导查询的转换器框架（MGQFormer），该框架使用GroundTruth掩码来引导可学习查询令牌（LQT）识别伪造区域。

发表于AAAI2024，包含RGB和频率特征的hrnet双分支架构，能够检测双压缩伪影的压缩伪影学习模型。

发表于MMM2024。

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。

发表于aixiv。

发表于AAAI 2025，其使用了Noiseprint++作为低级特征提取器，使用双流结构，其使用池化操作之后的结构作为查询向量，进行融合是最大的创新点。

发表于AAAI2025，该论文同时构建IML所需的微观与宏观信息介观表征，并提出Mesorch架构，一种融合卷积神经网络和Transformer模型优势的混合模型，通过动态调整尺度权重，能高效捕捉介观层面的伪影特征。

发表于TIFS 2025，，通过在特征提取网络阶段使用dropout层让同样的图像可以得到不同的输出特征，基于此，使用了两阶段训练，第一阶段在图像内部、跨尺度和跨模态三个维度使用对比损失进行训练，第二阶段使用交叉熵训练定位头，其代码思路和FOCAL非常相似。

发表于AAAI2025，提出了GIM数据集，提出了双流网络GIMFormer。

发表于IJCAI 2025，Loupe通过整合补丁感知分类器与带条件查询的分割模块，实现了全局真实性分类与细粒度掩码预测的同步处理。为增强对测试集分布偏移的鲁棒性，该模型创新性地采用伪标签引导的测试时自适应机制，利用补丁级预测结果对分割头进行监督学习。。

发表于arxiv上的论文，非常棒的工作！其整合了深度伪造检测、图像篡改检测/定位、AI生成图像检测和文档图像处理定位四大任务，并基于基准实验，提出了独特的发现。

发表于CVPR2023，该框架通过基于Transformer的融合架构，同时提取高阶特征与低阶特征：前者整合RGB图像与自适应学习的噪声敏感指纹，后者则通过仅使用真实数据进行自监督训练，精准捕捉相机内外部处理产生的伪影特征。

发表于TPAMI2025，将输入图像分割成多个区块后，分别使用掩码自注意力和差异卷积分别建模全局和局部像素依赖，同时设计了新型的学习加权模块来融合全局和局部的特征，还设计了像素不一致性数据增强方法增强鲁棒性。但其比较论文实验的结果和原本论文在相同数据集相同指标下的结果相差太多，之后尝试在已给代码上进行测试，再完成之后阅读。

发表于ICCV2025，拿到了Highlight，M2SFormer通过在跳跃连接中统一多频段和多尺度注意力机制，借助全局上下文信息，能更精准捕捉各类伪造特征。此外，框架通过采用全局先验图（一种反映伪造检测难度的曲率度量指标）来解决上采样过程中细节丢失的问题。该方法使用分割的指标而不是图像篡改的传统指标，而且比较的方法并不是公认的sota。

TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。

发表于CVPR2025，将版权水印和图像篡改主动保护两个任务联合起来。

发表于TMM2022，将机器学习应用到操作链检测的任务中，将每一个操作视为一个元素进行翻译。

发表于TIFS2024，将强化学习引入到了图像篡改检测。

发表于AAAI2025，该框架的核心是Re-DTS策略，动态选择最合适的教师模型，将专业知识转移到学生模型。这一策略增强了学生模型处理各种篡改痕迹的能力，并提高了IFDL性能，将强化学习引入到了图像篡改检测。

发表于ACMMM 2025，提出了基于图像编辑技术的新数据集。

发表于TIP 2024，图像复制-移动伪造检测方向的图像篡改检测方法。

发表于TDSC2024，针对JPEG压缩导致的性能下降，使用解纠缠的方法，分离出jpeg压缩对篡改痕迹的影响，提出了一种鲁棒的图像伪造定位框架。

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。

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。

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。

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。

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。

发表于NeuralNetworks 2024。

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。

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。

发表于ECCV 2024。

发表于IJCV 2024，多模态的图像篡改检测。

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。

发表于CVPR2022。

发表于CVPR2024型，CAAA可以像素级自动和精确地注释大量的人工伪造的图像，进一步提出了一种新的度量QES，以方便不可靠注释的自动过滤。

发表于ACMMM2024,针对IML任务中公共训练数据集的稀缺，通过采用可调提示来利用预训练模型的丰富先验知识，即Prompt-IML框架,即插即用的特征对齐和融合模块。

发表于Pattern Recognition 2024，双同源感知生成对抗网络（DH-GAN）,选择性金字塔（SAP）校准多尺度特征。

发表于CVPR2024,集成三个视图的UnionFormer框架,一个调节不同尺度上空间一致性的篡改特征提取网络BSFI-Net。

发表于ICCV2023 将不确定性进行建模。

发表于ICCV2023，关注边界的信息，使用边界监督。

发表于ICCV2023，为弱监督图像篡改检测，具体来说，学习了两个一致性属性，多源一致性（MSC, multi-source consistency）和补丁间一致性（IPC, inter-patch consistency ）。MSC利用不同的内容无关信息，并通过在线伪标签生成和细化过程实现跨源学习。IPC执行全局成对补丁关系推理，以发现完整的操作区域。

发表于TCSVT 2023。

发表于AAAI2024，提出基于CatmullRom样条的回归网络，为了明确抑制假阳性样本和避免不确定性边界，综合再评分算法（CRA,Comprehensive Re-scoring Algorithm），综合评估每个区域的信任分数作为篡改区域，而垂直纹理交互感知（VTP, Vertical Texture-interactive Perception）控制生成更准确的区域边缘。

发表于WACV 2023，RGB频域双通道多尺度特征网络。

发表于AAAI2024，一种两阶段判别噪声引导的方法，第一阶段训练一个噪声提取器，以明确地扩大真实区域和伪造区域之间的噪声分布差异，第二阶段将噪声不一致和RGB数据集成，以进行伪造检测和定位。

发表于AAAI2024，为应对交叉熵损失优先考虑逐像素精度，但忽略了篡改区域的空间位置和形状细节，设计了基于掩码引导查询的转换器框架（MGQFormer），该框架使用GroundTruth掩码来引导可学习查询令牌（LQT）识别伪造区域。

发表于AAAI2024，包含RGB和频率特征的hrnet双分支架构，能够检测双压缩伪影的压缩伪影学习模型。

发表于MMM2024。

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。

发表于aixiv。

发表于AAAI 2025，其使用了Noiseprint++作为低级特征提取器，使用双流结构，其使用池化操作之后的结构作为查询向量，进行融合是最大的创新点。

发表于AAAI2025，该论文同时构建IML所需的微观与宏观信息介观表征，并提出Mesorch架构，一种融合卷积神经网络和Transformer模型优势的混合模型，通过动态调整尺度权重，能高效捕捉介观层面的伪影特征。

发表于TIFS 2025，，通过在特征提取网络阶段使用dropout层让同样的图像可以得到不同的输出特征，基于此，使用了两阶段训练，第一阶段在图像内部、跨尺度和跨模态三个维度使用对比损失进行训练，第二阶段使用交叉熵训练定位头，其代码思路和FOCAL非常相似。

发表于AAAI2025，提出了GIM数据集，提出了双流网络GIMFormer。

发表于IJCAI 2025，Loupe通过整合补丁感知分类器与带条件查询的分割模块，实现了全局真实性分类与细粒度掩码预测的同步处理。为增强对测试集分布偏移的鲁棒性，该模型创新性地采用伪标签引导的测试时自适应机制，利用补丁级预测结果对分割头进行监督学习。。

发表于arxiv上的论文，非常棒的工作！其整合了深度伪造检测、图像篡改检测/定位、AI生成图像检测和文档图像处理定位四大任务，并基于基准实验，提出了独特的发现。

发表于CVPR2023，该框架通过基于Transformer的融合架构，同时提取高阶特征与低阶特征：前者整合RGB图像与自适应学习的噪声敏感指纹，后者则通过仅使用真实数据进行自监督训练，精准捕捉相机内外部处理产生的伪影特征。

发表于TPAMI2025，将输入图像分割成多个区块后，分别使用掩码自注意力和差异卷积分别建模全局和局部像素依赖，同时设计了新型的学习加权模块来融合全局和局部的特征，还设计了像素不一致性数据增强方法增强鲁棒性。但其比较论文实验的结果和原本论文在相同数据集相同指标下的结果相差太多，之后尝试在已给代码上进行测试，再完成之后阅读。

发表于ICCV2025，拿到了Highlight，M2SFormer通过在跳跃连接中统一多频段和多尺度注意力机制，借助全局上下文信息，能更精准捕捉各类伪造特征。此外，框架通过采用全局先验图（一种反映伪造检测难度的曲率度量指标）来解决上采样过程中细节丢失的问题。该方法使用分割的指标而不是图像篡改的传统指标，而且比较的方法并不是公认的sota。

TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。

发表于CVPR2025，将版权水印和图像篡改主动保护两个任务联合起来。

发表于TMM2022，将机器学习应用到操作链检测的任务中，将每一个操作视为一个元素进行翻译。

发表于TIFS2024，将强化学习引入到了图像篡改检测。

发表于AAAI2025，该框架的核心是Re-DTS策略，动态选择最合适的教师模型，将专业知识转移到学生模型。这一策略增强了学生模型处理各种篡改痕迹的能力，并提高了IFDL性能，将强化学习引入到了图像篡改检测。

发表于ACMMM 2025，提出了基于图像编辑技术的新数据集。

发表于TIP 2024，图像复制-移动伪造检测方向的图像篡改检测方法。

发表于TDSC2024，针对JPEG压缩导致的性能下降，使用解纠缠的方法，分离出jpeg压缩对篡改痕迹的影响，提出了一种鲁棒的图像伪造定位框架。

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。

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。

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。

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。

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。

发表于NeuralNetworks 2024。

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。

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。

发表于ECCV 2024。

发表于IJCV 2024，多模态的图像篡改检测。

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。

发表于CVPR2022。

发表于CVPR2024型，CAAA可以像素级自动和精确地注释大量的人工伪造的图像，进一步提出了一种新的度量QES，以方便不可靠注释的自动过滤。

发表于ACMMM2024,针对IML任务中公共训练数据集的稀缺，通过采用可调提示来利用预训练模型的丰富先验知识，即Prompt-IML框架,即插即用的特征对齐和融合模块。

发表于Pattern Recognition 2024，双同源感知生成对抗网络（DH-GAN）,选择性金字塔（SAP）校准多尺度特征。

发表于CVPR2024,集成三个视图的UnionFormer框架,一个调节不同尺度上空间一致性的篡改特征提取网络BSFI-Net。

发表于ICCV2023 将不确定性进行建模。

发表于ICCV2023，关注边界的信息，使用边界监督。

发表于ICCV2023，为弱监督图像篡改检测，具体来说，学习了两个一致性属性，多源一致性（MSC, multi-source consistency）和补丁间一致性（IPC, inter-patch consistency ）。MSC利用不同的内容无关信息，并通过在线伪标签生成和细化过程实现跨源学习。IPC执行全局成对补丁关系推理，以发现完整的操作区域。

发表于TCSVT 2023。

发表于AAAI2024，提出基于CatmullRom样条的回归网络，为了明确抑制假阳性样本和避免不确定性边界，综合再评分算法（CRA,Comprehensive Re-scoring Algorithm），综合评估每个区域的信任分数作为篡改区域，而垂直纹理交互感知（VTP, Vertical Texture-interactive Perception）控制生成更准确的区域边缘。

发表于WACV 2023，RGB频域双通道多尺度特征网络。

发表于AAAI2024，一种两阶段判别噪声引导的方法，第一阶段训练一个噪声提取器，以明确地扩大真实区域和伪造区域之间的噪声分布差异，第二阶段将噪声不一致和RGB数据集成，以进行伪造检测和定位。

发表于AAAI2024，为应对交叉熵损失优先考虑逐像素精度，但忽略了篡改区域的空间位置和形状细节，设计了基于掩码引导查询的转换器框架（MGQFormer），该框架使用GroundTruth掩码来引导可学习查询令牌（LQT）识别伪造区域。

发表于AAAI2024，包含RGB和频率特征的hrnet双分支架构，能够检测双压缩伪影的压缩伪影学习模型。

发表于MMM2024。

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。

发表于aixiv。

发表于AAAI 2025，其使用了Noiseprint++作为低级特征提取器，使用双流结构，其使用池化操作之后的结构作为查询向量，进行融合是最大的创新点。

发表于AAAI2025，该论文同时构建IML所需的微观与宏观信息介观表征，并提出Mesorch架构，一种融合卷积神经网络和Transformer模型优势的混合模型，通过动态调整尺度权重，能高效捕捉介观层面的伪影特征。

发表于TIFS 2025，，通过在特征提取网络阶段使用dropout层让同样的图像可以得到不同的输出特征，基于此，使用了两阶段训练，第一阶段在图像内部、跨尺度和跨模态三个维度使用对比损失进行训练，第二阶段使用交叉熵训练定位头，其代码思路和FOCAL非常相似。

发表于AAAI2025，提出了GIM数据集，提出了双流网络GIMFormer。

发表于IJCAI 2025，Loupe通过整合补丁感知分类器与带条件查询的分割模块，实现了全局真实性分类与细粒度掩码预测的同步处理。为增强对测试集分布偏移的鲁棒性，该模型创新性地采用伪标签引导的测试时自适应机制，利用补丁级预测结果对分割头进行监督学习。。

发表于arxiv上的论文，非常棒的工作！其整合了深度伪造检测、图像篡改检测/定位、AI生成图像检测和文档图像处理定位四大任务，并基于基准实验，提出了独特的发现。

发表于CVPR2023，该框架通过基于Transformer的融合架构，同时提取高阶特征与低阶特征：前者整合RGB图像与自适应学习的噪声敏感指纹，后者则通过仅使用真实数据进行自监督训练，精准捕捉相机内外部处理产生的伪影特征。

发表于TPAMI2025，将输入图像分割成多个区块后，分别使用掩码自注意力和差异卷积分别建模全局和局部像素依赖，同时设计了新型的学习加权模块来融合全局和局部的特征，还设计了像素不一致性数据增强方法增强鲁棒性。但其比较论文实验的结果和原本论文在相同数据集相同指标下的结果相差太多，之后尝试在已给代码上进行测试，再完成之后阅读。

发表于ICCV2025，拿到了Highlight，M2SFormer通过在跳跃连接中统一多频段和多尺度注意力机制，借助全局上下文信息，能更精准捕捉各类伪造特征。此外，框架通过采用全局先验图（一种反映伪造检测难度的曲率度量指标）来解决上采样过程中细节丢失的问题。该方法使用分割的指标而不是图像篡改的传统指标，而且比较的方法并不是公认的sota。

TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。

发表于CVPR2025，将版权水印和图像篡改主动保护两个任务联合起来。

发表于TMM2022，将机器学习应用到操作链检测的任务中，将每一个操作视为一个元素进行翻译。

发表于TIFS2024，将强化学习引入到了图像篡改检测。

发表于AAAI2025，该框架的核心是Re-DTS策略，动态选择最合适的教师模型，将专业知识转移到学生模型。这一策略增强了学生模型处理各种篡改痕迹的能力，并提高了IFDL性能，将强化学习引入到了图像篡改检测。

发表于ACMMM 2025，提出了基于图像编辑技术的新数据集。

发表于TIP 2024，图像复制-移动伪造检测方向的图像篡改检测方法。

发表于TDSC2024，针对JPEG压缩导致的性能下降，使用解纠缠的方法，分离出jpeg压缩对篡改痕迹的影响，提出了一种鲁棒的图像伪造定位框架。

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。

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。

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。

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。

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。

发表于NeuralNetworks 2024。

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。

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。

发表于ECCV 2024。

发表于IJCV 2024，多模态的图像篡改检测。

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。

发表于CVPR2022。

发表于CVPR2024型，CAAA可以像素级自动和精确地注释大量的人工伪造的图像，进一步提出了一种新的度量QES，以方便不可靠注释的自动过滤。

发表于ACMMM2024,针对IML任务中公共训练数据集的稀缺，通过采用可调提示来利用预训练模型的丰富先验知识，即Prompt-IML框架,即插即用的特征对齐和融合模块。

发表于Pattern Recognition 2024，双同源感知生成对抗网络（DH-GAN）,选择性金字塔（SAP）校准多尺度特征。

发表于CVPR2024,集成三个视图的UnionFormer框架,一个调节不同尺度上空间一致性的篡改特征提取网络BSFI-Net。

发表于ICCV2023 将不确定性进行建模。

发表于ICCV2023，关注边界的信息，使用边界监督。

发表于ICCV2023，为弱监督图像篡改检测，具体来说，学习了两个一致性属性，多源一致性（MSC, multi-source consistency）和补丁间一致性（IPC, inter-patch consistency ）。MSC利用不同的内容无关信息，并通过在线伪标签生成和细化过程实现跨源学习。IPC执行全局成对补丁关系推理，以发现完整的操作区域。

发表于TCSVT 2023。

发表于AAAI2024，提出基于CatmullRom样条的回归网络，为了明确抑制假阳性样本和避免不确定性边界，综合再评分算法（CRA,Comprehensive Re-scoring Algorithm），综合评估每个区域的信任分数作为篡改区域，而垂直纹理交互感知（VTP, Vertical Texture-interactive Perception）控制生成更准确的区域边缘。

发表于WACV 2023，RGB频域双通道多尺度特征网络。

发表于AAAI2024，一种两阶段判别噪声引导的方法，第一阶段训练一个噪声提取器，以明确地扩大真实区域和伪造区域之间的噪声分布差异，第二阶段将噪声不一致和RGB数据集成，以进行伪造检测和定位。

发表于AAAI2024，为应对交叉熵损失优先考虑逐像素精度，但忽略了篡改区域的空间位置和形状细节，设计了基于掩码引导查询的转换器框架（MGQFormer），该框架使用GroundTruth掩码来引导可学习查询令牌（LQT）识别伪造区域。

发表于AAAI2024，包含RGB和频率特征的hrnet双分支架构，能够检测双压缩伪影的压缩伪影学习模型。

发表于MMM2024。

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。

发表于aixiv。

发表于AAAI 2025，其使用了Noiseprint++作为低级特征提取器，使用双流结构，其使用池化操作之后的结构作为查询向量，进行融合是最大的创新点。

发表于AAAI2025，该论文同时构建IML所需的微观与宏观信息介观表征，并提出Mesorch架构，一种融合卷积神经网络和Transformer模型优势的混合模型，通过动态调整尺度权重，能高效捕捉介观层面的伪影特征。

发表于TIFS 2025，，通过在特征提取网络阶段使用dropout层让同样的图像可以得到不同的输出特征，基于此，使用了两阶段训练，第一阶段在图像内部、跨尺度和跨模态三个维度使用对比损失进行训练，第二阶段使用交叉熵训练定位头，其代码思路和FOCAL非常相似。

发表于AAAI2025，提出了GIM数据集，提出了双流网络GIMFormer。

发表于IJCAI 2025，Loupe通过整合补丁感知分类器与带条件查询的分割模块，实现了全局真实性分类与细粒度掩码预测的同步处理。为增强对测试集分布偏移的鲁棒性，该模型创新性地采用伪标签引导的测试时自适应机制，利用补丁级预测结果对分割头进行监督学习。。

发表于arxiv上的论文，非常棒的工作！其整合了深度伪造检测、图像篡改检测/定位、AI生成图像检测和文档图像处理定位四大任务，并基于基准实验，提出了独特的发现。

发表于CVPR2023，该框架通过基于Transformer的融合架构，同时提取高阶特征与低阶特征：前者整合RGB图像与自适应学习的噪声敏感指纹，后者则通过仅使用真实数据进行自监督训练，精准捕捉相机内外部处理产生的伪影特征。

发表于TPAMI2025，将输入图像分割成多个区块后，分别使用掩码自注意力和差异卷积分别建模全局和局部像素依赖，同时设计了新型的学习加权模块来融合全局和局部的特征，还设计了像素不一致性数据增强方法增强鲁棒性。但其比较论文实验的结果和原本论文在相同数据集相同指标下的结果相差太多，之后尝试在已给代码上进行测试，再完成之后阅读。

发表于ICCV2025，拿到了Highlight，M2SFormer通过在跳跃连接中统一多频段和多尺度注意力机制，借助全局上下文信息，能更精准捕捉各类伪造特征。此外，框架通过采用全局先验图（一种反映伪造检测难度的曲率度量指标）来解决上采样过程中细节丢失的问题。该方法使用分割的指标而不是图像篡改的传统指标，而且比较的方法并不是公认的sota。

TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。

发表于CVPR2025，将版权水印和图像篡改主动保护两个任务联合起来。

发表于TMM2022，将机器学习应用到操作链检测的任务中，将每一个操作视为一个元素进行翻译。

发表于TIFS2024，将强化学习引入到了图像篡改检测。

发表于AAAI2025，该框架的核心是Re-DTS策略，动态选择最合适的教师模型，将专业知识转移到学生模型。这一策略增强了学生模型处理各种篡改痕迹的能力，并提高了IFDL性能，将强化学习引入到了图像篡改检测。

发表于ACMMM 2025，提出了基于图像编辑技术的新数据集。

发表于TIP 2024，图像复制-移动伪造检测方向的图像篡改检测方法。

发表于TDSC2024，针对JPEG压缩导致的性能下降，使用解纠缠的方法，分离出jpeg压缩对篡改痕迹的影响，提出了一种鲁棒的图像伪造定位框架。

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。

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。

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。

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。

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。

发表于NeuralNetworks 2024。

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。

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。

发表于ECCV 2024。

发表于IJCV 2024，多模态的图像篡改检测。

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。

发表于CVPR2022。

发表于CVPR2024型，CAAA可以像素级自动和精确地注释大量的人工伪造的图像，进一步提出了一种新的度量QES，以方便不可靠注释的自动过滤。

发表于ACMMM2024,针对IML任务中公共训练数据集的稀缺，通过采用可调提示来利用预训练模型的丰富先验知识，即Prompt-IML框架,即插即用的特征对齐和融合模块。

发表于Pattern Recognition 2024，双同源感知生成对抗网络（DH-GAN）,选择性金字塔（SAP）校准多尺度特征。

发表于CVPR2024,集成三个视图的UnionFormer框架,一个调节不同尺度上空间一致性的篡改特征提取网络BSFI-Net。

发表于ICCV2023 将不确定性进行建模。

发表于ICCV2023，关注边界的信息，使用边界监督。

发表于ICCV2023，为弱监督图像篡改检测，具体来说，学习了两个一致性属性，多源一致性（MSC, multi-source consistency）和补丁间一致性（IPC, inter-patch consistency ）。MSC利用不同的内容无关信息，并通过在线伪标签生成和细化过程实现跨源学习。IPC执行全局成对补丁关系推理，以发现完整的操作区域。

发表于TCSVT 2023。

发表于AAAI2024，提出基于CatmullRom样条的回归网络，为了明确抑制假阳性样本和避免不确定性边界，综合再评分算法（CRA,Comprehensive Re-scoring Algorithm），综合评估每个区域的信任分数作为篡改区域，而垂直纹理交互感知（VTP, Vertical Texture-interactive Perception）控制生成更准确的区域边缘。

发表于WACV 2023，RGB频域双通道多尺度特征网络。

发表于AAAI2024，一种两阶段判别噪声引导的方法，第一阶段训练一个噪声提取器，以明确地扩大真实区域和伪造区域之间的噪声分布差异，第二阶段将噪声不一致和RGB数据集成，以进行伪造检测和定位。

发表于AAAI2024，为应对交叉熵损失优先考虑逐像素精度，但忽略了篡改区域的空间位置和形状细节，设计了基于掩码引导查询的转换器框架（MGQFormer），该框架使用GroundTruth掩码来引导可学习查询令牌（LQT）识别伪造区域。

发表于AAAI2024，包含RGB和频率特征的hrnet双分支架构，能够检测双压缩伪影的压缩伪影学习模型。

发表于MMM2024。

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。

发表于aixiv。

发表于AAAI 2025，其使用了Noiseprint++作为低级特征提取器，使用双流结构，其使用池化操作之后的结构作为查询向量，进行融合是最大的创新点。

发表于AAAI2025，该论文同时构建IML所需的微观与宏观信息介观表征，并提出Mesorch架构，一种融合卷积神经网络和Transformer模型优势的混合模型，通过动态调整尺度权重，能高效捕捉介观层面的伪影特征。

发表于TIFS 2025，，通过在特征提取网络阶段使用dropout层让同样的图像可以得到不同的输出特征，基于此，使用了两阶段训练，第一阶段在图像内部、跨尺度和跨模态三个维度使用对比损失进行训练，第二阶段使用交叉熵训练定位头，其代码思路和FOCAL非常相似。

发表于AAAI2025，提出了GIM数据集，提出了双流网络GIMFormer。

发表于IJCAI 2025，Loupe通过整合补丁感知分类器与带条件查询的分割模块，实现了全局真实性分类与细粒度掩码预测的同步处理。为增强对测试集分布偏移的鲁棒性，该模型创新性地采用伪标签引导的测试时自适应机制，利用补丁级预测结果对分割头进行监督学习。。

发表于arxiv上的论文，非常棒的工作！其整合了深度伪造检测、图像篡改检测/定位、AI生成图像检测和文档图像处理定位四大任务，并基于基准实验，提出了独特的发现。

发表于CVPR2023，该框架通过基于Transformer的融合架构，同时提取高阶特征与低阶特征：前者整合RGB图像与自适应学习的噪声敏感指纹，后者则通过仅使用真实数据进行自监督训练，精准捕捉相机内外部处理产生的伪影特征。

发表于TPAMI2025，将输入图像分割成多个区块后，分别使用掩码自注意力和差异卷积分别建模全局和局部像素依赖，同时设计了新型的学习加权模块来融合全局和局部的特征，还设计了像素不一致性数据增强方法增强鲁棒性。但其比较论文实验的结果和原本论文在相同数据集相同指标下的结果相差太多，之后尝试在已给代码上进行测试，再完成之后阅读。

发表于ICCV2025，拿到了Highlight，M2SFormer通过在跳跃连接中统一多频段和多尺度注意力机制，借助全局上下文信息，能更精准捕捉各类伪造特征。此外，框架通过采用全局先验图（一种反映伪造检测难度的曲率度量指标）来解决上采样过程中细节丢失的问题。该方法使用分割的指标而不是图像篡改的传统指标，而且比较的方法并不是公认的sota。

TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。

发表于CVPR2025，将版权水印和图像篡改主动保护两个任务联合起来。

发表于TMM2022，将机器学习应用到操作链检测的任务中，将每一个操作视为一个元素进行翻译。

发表于TIFS2024，将强化学习引入到了图像篡改检测。

发表于AAAI2025，该框架的核心是Re-DTS策略，动态选择最合适的教师模型，将专业知识转移到学生模型。这一策略增强了学生模型处理各种篡改痕迹的能力，并提高了IFDL性能，将强化学习引入到了图像篡改检测。

发表于ACMMM 2025，提出了基于图像编辑技术的新数据集。

发表于TIP 2024，图像复制-移动伪造检测方向的图像篡改检测方法。

发表于TDSC2024，针对JPEG压缩导致的性能下降，使用解纠缠的方法，分离出jpeg压缩对篡改痕迹的影响，提出了一种鲁棒的图像伪造定位框架。

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。

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。

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。

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。

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。

发表于NeuralNetworks 2024。

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。

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。

发表于ECCV 2024。

发表于IJCV 2024，多模态的图像篡改检测。

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。

发表于CVPR2022。

发表于CVPR2024型，CAAA可以像素级自动和精确地注释大量的人工伪造的图像，进一步提出了一种新的度量QES，以方便不可靠注释的自动过滤。

发表于ACMMM2024,针对IML任务中公共训练数据集的稀缺，通过采用可调提示来利用预训练模型的丰富先验知识，即Prompt-IML框架,即插即用的特征对齐和融合模块。

发表于Pattern Recognition 2024，双同源感知生成对抗网络（DH-GAN）,选择性金字塔（SAP）校准多尺度特征。

发表于CVPR2024,集成三个视图的UnionFormer框架,一个调节不同尺度上空间一致性的篡改特征提取网络BSFI-Net。

发表于ICCV2023 将不确定性进行建模。

发表于ICCV2023，关注边界的信息，使用边界监督。

发表于ICCV2023，为弱监督图像篡改检测，具体来说，学习了两个一致性属性，多源一致性（MSC, multi-source consistency）和补丁间一致性（IPC, inter-patch consistency ）。MSC利用不同的内容无关信息，并通过在线伪标签生成和细化过程实现跨源学习。IPC执行全局成对补丁关系推理，以发现完整的操作区域。

发表于TCSVT 2023。

发表于AAAI2024，提出基于CatmullRom样条的回归网络，为了明确抑制假阳性样本和避免不确定性边界，综合再评分算法（CRA,Comprehensive Re-scoring Algorithm），综合评估每个区域的信任分数作为篡改区域，而垂直纹理交互感知（VTP, Vertical Texture-interactive Perception）控制生成更准确的区域边缘。

发表于WACV 2023，RGB频域双通道多尺度特征网络。

发表于AAAI2024，一种两阶段判别噪声引导的方法，第一阶段训练一个噪声提取器，以明确地扩大真实区域和伪造区域之间的噪声分布差异，第二阶段将噪声不一致和RGB数据集成，以进行伪造检测和定位。

发表于AAAI2024，为应对交叉熵损失优先考虑逐像素精度，但忽略了篡改区域的空间位置和形状细节，设计了基于掩码引导查询的转换器框架（MGQFormer），该框架使用GroundTruth掩码来引导可学习查询令牌（LQT）识别伪造区域。

发表于AAAI2024，包含RGB和频率特征的hrnet双分支架构，能够检测双压缩伪影的压缩伪影学习模型。

发表于MMM2024。

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。

发表于aixiv。

发表于AAAI 2025，其使用了Noiseprint++作为低级特征提取器，使用双流结构，其使用池化操作之后的结构作为查询向量，进行融合是最大的创新点。

发表于AAAI2025，该论文同时构建IML所需的微观与宏观信息介观表征，并提出Mesorch架构，一种融合卷积神经网络和Transformer模型优势的混合模型，通过动态调整尺度权重，能高效捕捉介观层面的伪影特征。

发表于TIFS 2025，，通过在特征提取网络阶段使用dropout层让同样的图像可以得到不同的输出特征，基于此，使用了两阶段训练，第一阶段在图像内部、跨尺度和跨模态三个维度使用对比损失进行训练，第二阶段使用交叉熵训练定位头，其代码思路和FOCAL非常相似。

发表于AAAI2025，提出了GIM数据集，提出了双流网络GIMFormer。

发表于IJCAI 2025，Loupe通过整合补丁感知分类器与带条件查询的分割模块，实现了全局真实性分类与细粒度掩码预测的同步处理。为增强对测试集分布偏移的鲁棒性，该模型创新性地采用伪标签引导的测试时自适应机制，利用补丁级预测结果对分割头进行监督学习。。

发表于arxiv上的论文，非常棒的工作！其整合了深度伪造检测、图像篡改检测/定位、AI生成图像检测和文档图像处理定位四大任务，并基于基准实验，提出了独特的发现。

发表于CVPR2023，该框架通过基于Transformer的融合架构，同时提取高阶特征与低阶特征：前者整合RGB图像与自适应学习的噪声敏感指纹，后者则通过仅使用真实数据进行自监督训练，精准捕捉相机内外部处理产生的伪影特征。

发表于TPAMI2025，将输入图像分割成多个区块后，分别使用掩码自注意力和差异卷积分别建模全局和局部像素依赖，同时设计了新型的学习加权模块来融合全局和局部的特征，还设计了像素不一致性数据增强方法增强鲁棒性。但其比较论文实验的结果和原本论文在相同数据集相同指标下的结果相差太多，之后尝试在已给代码上进行测试，再完成之后阅读。

发表于ICCV2025，拿到了Highlight，M2SFormer通过在跳跃连接中统一多频段和多尺度注意力机制，借助全局上下文信息，能更精准捕捉各类伪造特征。此外，框架通过采用全局先验图（一种反映伪造检测难度的曲率度量指标）来解决上采样过程中细节丢失的问题。该方法使用分割的指标而不是图像篡改的传统指标，而且比较的方法并不是公认的sota。

TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。

发表于CVPR2025，将版权水印和图像篡改主动保护两个任务联合起来。

发表于TMM2022，将机器学习应用到操作链检测的任务中，将每一个操作视为一个元素进行翻译。

发表于TIFS2024，将强化学习引入到了图像篡改检测。

发表于AAAI2025，该框架的核心是Re-DTS策略，动态选择最合适的教师模型，将专业知识转移到学生模型。这一策略增强了学生模型处理各种篡改痕迹的能力，并提高了IFDL性能，将强化学习引入到了图像篡改检测。

发表于ACMMM 2025，提出了基于图像编辑技术的新数据集。

发表于TIP 2024，图像复制-移动伪造检测方向的图像篡改检测方法。

发表于TDSC2024，针对JPEG压缩导致的性能下降，使用解纠缠的方法，分离出jpeg压缩对篡改痕迹的影响，提出了一种鲁棒的图像伪造定位框架。

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。

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。

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。

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。

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。

发表于NeuralNetworks 2024。

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。

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。

发表于ECCV 2024。

发表于IJCV 2024，多模态的图像篡改检测。

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。

发表于CVPR2022。

发表于CVPR2024型，CAAA可以像素级自动和精确地注释大量的人工伪造的图像，进一步提出了一种新的度量QES，以方便不可靠注释的自动过滤。

发表于ACMMM2024,针对IML任务中公共训练数据集的稀缺，通过采用可调提示来利用预训练模型的丰富先验知识，即Prompt-IML框架,即插即用的特征对齐和融合模块。

发表于Pattern Recognition 2024，双同源感知生成对抗网络（DH-GAN）,选择性金字塔（SAP）校准多尺度特征。

发表于CVPR2024,集成三个视图的UnionFormer框架,一个调节不同尺度上空间一致性的篡改特征提取网络BSFI-Net。

发表于ICCV2023 将不确定性进行建模。

发表于ICCV2023，关注边界的信息，使用边界监督。

发表于ICCV2023，为弱监督图像篡改检测，具体来说，学习了两个一致性属性，多源一致性（MSC, multi-source consistency）和补丁间一致性（IPC, inter-patch consistency ）。MSC利用不同的内容无关信息，并通过在线伪标签生成和细化过程实现跨源学习。IPC执行全局成对补丁关系推理，以发现完整的操作区域。

发表于TCSVT 2023。

发表于AAAI2024，提出基于CatmullRom样条的回归网络，为了明确抑制假阳性样本和避免不确定性边界，综合再评分算法（CRA,Comprehensive Re-scoring Algorithm），综合评估每个区域的信任分数作为篡改区域，而垂直纹理交互感知（VTP, Vertical Texture-interactive Perception）控制生成更准确的区域边缘。

发表于WACV 2023，RGB频域双通道多尺度特征网络。

发表于AAAI2024，一种两阶段判别噪声引导的方法，第一阶段训练一个噪声提取器，以明确地扩大真实区域和伪造区域之间的噪声分布差异，第二阶段将噪声不一致和RGB数据集成，以进行伪造检测和定位。

发表于AAAI2024，为应对交叉熵损失优先考虑逐像素精度，但忽略了篡改区域的空间位置和形状细节，设计了基于掩码引导查询的转换器框架（MGQFormer），该框架使用GroundTruth掩码来引导可学习查询令牌（LQT）识别伪造区域。

发表于AAAI2024，包含RGB和频率特征的hrnet双分支架构，能够检测双压缩伪影的压缩伪影学习模型。

发表于MMM2024。

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。

发表于aixiv。

发表于AAAI 2025，其使用了Noiseprint++作为低级特征提取器，使用双流结构，其使用池化操作之后的结构作为查询向量，进行融合是最大的创新点。

发表于AAAI2025，该论文同时构建IML所需的微观与宏观信息介观表征，并提出Mesorch架构，一种融合卷积神经网络和Transformer模型优势的混合模型，通过动态调整尺度权重，能高效捕捉介观层面的伪影特征。

发表于TIFS 2025，，通过在特征提取网络阶段使用dropout层让同样的图像可以得到不同的输出特征，基于此，使用了两阶段训练，第一阶段在图像内部、跨尺度和跨模态三个维度使用对比损失进行训练，第二阶段使用交叉熵训练定位头，其代码思路和FOCAL非常相似。

发表于AAAI2025，提出了GIM数据集，提出了双流网络GIMFormer。

发表于IJCAI 2025，Loupe通过整合补丁感知分类器与带条件查询的分割模块，实现了全局真实性分类与细粒度掩码预测的同步处理。为增强对测试集分布偏移的鲁棒性，该模型创新性地采用伪标签引导的测试时自适应机制，利用补丁级预测结果对分割头进行监督学习。。

发表于arxiv上的论文，非常棒的工作！其整合了深度伪造检测、图像篡改检测/定位、AI生成图像检测和文档图像处理定位四大任务，并基于基准实验，提出了独特的发现。

发表于CVPR2023，该框架通过基于Transformer的融合架构，同时提取高阶特征与低阶特征：前者整合RGB图像与自适应学习的噪声敏感指纹，后者则通过仅使用真实数据进行自监督训练，精准捕捉相机内外部处理产生的伪影特征。

发表于TPAMI2025，将输入图像分割成多个区块后，分别使用掩码自注意力和差异卷积分别建模全局和局部像素依赖，同时设计了新型的学习加权模块来融合全局和局部的特征，还设计了像素不一致性数据增强方法增强鲁棒性。但其比较论文实验的结果和原本论文在相同数据集相同指标下的结果相差太多，之后尝试在已给代码上进行测试，再完成之后阅读。

发表于ICCV2025，拿到了Highlight，M2SFormer通过在跳跃连接中统一多频段和多尺度注意力机制，借助全局上下文信息，能更精准捕捉各类伪造特征。此外，框架通过采用全局先验图（一种反映伪造检测难度的曲率度量指标）来解决上采样过程中细节丢失的问题。该方法使用分割的指标而不是图像篡改的传统指标，而且比较的方法并不是公认的sota。

TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。

发表于CVPR2025，将版权水印和图像篡改主动保护两个任务联合起来。

发表于TMM2022，将机器学习应用到操作链检测的任务中，将每一个操作视为一个元素进行翻译。

发表于TIFS2024，将强化学习引入到了图像篡改检测。

发表于AAAI2025，该框架的核心是Re-DTS策略，动态选择最合适的教师模型，将专业知识转移到学生模型。这一策略增强了学生模型处理各种篡改痕迹的能力，并提高了IFDL性能，将强化学习引入到了图像篡改检测。

发表于ACMMM 2025，提出了基于图像编辑技术的新数据集。

发表于TIP 2024，图像复制-移动伪造检测方向的图像篡改检测方法。

发表于TDSC2024，针对JPEG压缩导致的性能下降，使用解纠缠的方法，分离出jpeg压缩对篡改痕迹的影响，提出了一种鲁棒的图像伪造定位框架。

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。

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。

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。

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。

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。

发表于NeuralNetworks 2024。

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。

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。

发表于ECCV 2024。

发表于IJCV 2024，多模态的图像篡改检测。

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。

发表于CVPR2022。

发表于CVPR2024型，CAAA可以像素级自动和精确地注释大量的人工伪造的图像，进一步提出了一种新的度量QES，以方便不可靠注释的自动过滤。

发表于ACMMM2024,针对IML任务中公共训练数据集的稀缺，通过采用可调提示来利用预训练模型的丰富先验知识，即Prompt-IML框架,即插即用的特征对齐和融合模块。

发表于Pattern Recognition 2024，双同源感知生成对抗网络（DH-GAN）,选择性金字塔（SAP）校准多尺度特征。

发表于CVPR2024,集成三个视图的UnionFormer框架,一个调节不同尺度上空间一致性的篡改特征提取网络BSFI-Net。

发表于ICCV2023 将不确定性进行建模。

发表于ICCV2023，关注边界的信息，使用边界监督。

发表于ICCV2023，为弱监督图像篡改检测，具体来说，学习了两个一致性属性，多源一致性（MSC, multi-source consistency）和补丁间一致性（IPC, inter-patch consistency ）。MSC利用不同的内容无关信息，并通过在线伪标签生成和细化过程实现跨源学习。IPC执行全局成对补丁关系推理，以发现完整的操作区域。

发表于TCSVT 2023。

发表于AAAI2024，提出基于CatmullRom样条的回归网络，为了明确抑制假阳性样本和避免不确定性边界，综合再评分算法（CRA,Comprehensive Re-scoring Algorithm），综合评估每个区域的信任分数作为篡改区域，而垂直纹理交互感知（VTP, Vertical Texture-interactive Perception）控制生成更准确的区域边缘。

发表于WACV 2023，RGB频域双通道多尺度特征网络。

发表于AAAI2024，一种两阶段判别噪声引导的方法，第一阶段训练一个噪声提取器，以明确地扩大真实区域和伪造区域之间的噪声分布差异，第二阶段将噪声不一致和RGB数据集成，以进行伪造检测和定位。

发表于AAAI2024，为应对交叉熵损失优先考虑逐像素精度，但忽略了篡改区域的空间位置和形状细节，设计了基于掩码引导查询的转换器框架（MGQFormer），该框架使用GroundTruth掩码来引导可学习查询令牌（LQT）识别伪造区域。

发表于AAAI2024，包含RGB和频率特征的hrnet双分支架构，能够检测双压缩伪影的压缩伪影学习模型。

发表于MMM2024。

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。

发表于aixiv。

发表于AAAI 2025，其使用了Noiseprint++作为低级特征提取器，使用双流结构，其使用池化操作之后的结构作为查询向量，进行融合是最大的创新点。

发表于AAAI2025，该论文同时构建IML所需的微观与宏观信息介观表征，并提出Mesorch架构，一种融合卷积神经网络和Transformer模型优势的混合模型，通过动态调整尺度权重，能高效捕捉介观层面的伪影特征。

发表于TIFS 2025，，通过在特征提取网络阶段使用dropout层让同样的图像可以得到不同的输出特征，基于此，使用了两阶段训练，第一阶段在图像内部、跨尺度和跨模态三个维度使用对比损失进行训练，第二阶段使用交叉熵训练定位头，其代码思路和FOCAL非常相似。

发表于AAAI2025，提出了GIM数据集，提出了双流网络GIMFormer。

发表于IJCAI 2025，Loupe通过整合补丁感知分类器与带条件查询的分割模块，实现了全局真实性分类与细粒度掩码预测的同步处理。为增强对测试集分布偏移的鲁棒性，该模型创新性地采用伪标签引导的测试时自适应机制，利用补丁级预测结果对分割头进行监督学习。。

发表于arxiv上的论文，非常棒的工作！其整合了深度伪造检测、图像篡改检测/定位、AI生成图像检测和文档图像处理定位四大任务，并基于基准实验，提出了独特的发现。

发表于CVPR2023，该框架通过基于Transformer的融合架构，同时提取高阶特征与低阶特征：前者整合RGB图像与自适应学习的噪声敏感指纹，后者则通过仅使用真实数据进行自监督训练，精准捕捉相机内外部处理产生的伪影特征。

发表于TPAMI2025，将输入图像分割成多个区块后，分别使用掩码自注意力和差异卷积分别建模全局和局部像素依赖，同时设计了新型的学习加权模块来融合全局和局部的特征，还设计了像素不一致性数据增强方法增强鲁棒性。但其比较论文实验的结果和原本论文在相同数据集相同指标下的结果相差太多，之后尝试在已给代码上进行测试，再完成之后阅读。

发表于ICCV2025，拿到了Highlight，M2SFormer通过在跳跃连接中统一多频段和多尺度注意力机制，借助全局上下文信息，能更精准捕捉各类伪造特征。此外，框架通过采用全局先验图（一种反映伪造检测难度的曲率度量指标）来解决上采样过程中细节丢失的问题。该方法使用分割的指标而不是图像篡改的传统指标，而且比较的方法并不是公认的sota。

TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。

发表于CVPR2025，将版权水印和图像篡改主动保护两个任务联合起来。

发表于TMM2022，将机器学习应用到操作链检测的任务中，将每一个操作视为一个元素进行翻译。

发表于TIFS2024，将强化学习引入到了图像篡改检测。

发表于AAAI2025，该框架的核心是Re-DTS策略，动态选择最合适的教师模型，将专业知识转移到学生模型。这一策略增强了学生模型处理各种篡改痕迹的能力，并提高了IFDL性能，将强化学习引入到了图像篡改检测。

发表于ACMMM 2025，提出了基于图像编辑技术的新数据集。

发表于TIP 2024，图像复制-移动伪造检测方向的图像篡改检测方法。

发表于TDSC2024，针对JPEG压缩导致的性能下降，使用解纠缠的方法，分离出jpeg压缩对篡改痕迹的影响，提出了一种鲁棒的图像伪造定位框架。

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。

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。

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。

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。

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。

发表于NeuralNetworks 2024。

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。

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。

发表于ECCV 2024。

发表于IJCV 2024，多模态的图像篡改检测。

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。

发表于CVPR2022。

发表于CVPR2024型，CAAA可以像素级自动和精确地注释大量的人工伪造的图像，进一步提出了一种新的度量QES，以方便不可靠注释的自动过滤。

发表于ACMMM2024,针对IML任务中公共训练数据集的稀缺，通过采用可调提示来利用预训练模型的丰富先验知识，即Prompt-IML框架,即插即用的特征对齐和融合模块。

发表于Pattern Recognition 2024，双同源感知生成对抗网络（DH-GAN）,选择性金字塔（SAP）校准多尺度特征。

发表于CVPR2024,集成三个视图的UnionFormer框架,一个调节不同尺度上空间一致性的篡改特征提取网络BSFI-Net。

发表于ICCV2023 将不确定性进行建模。

发表于ICCV2023，关注边界的信息，使用边界监督。

发表于ICCV2023，为弱监督图像篡改检测，具体来说，学习了两个一致性属性，多源一致性（MSC, multi-source consistency）和补丁间一致性（IPC, inter-patch consistency ）。MSC利用不同的内容无关信息，并通过在线伪标签生成和细化过程实现跨源学习。IPC执行全局成对补丁关系推理，以发现完整的操作区域。

发表于TCSVT 2023。

发表于AAAI2024，提出基于CatmullRom样条的回归网络，为了明确抑制假阳性样本和避免不确定性边界，综合再评分算法（CRA,Comprehensive Re-scoring Algorithm），综合评估每个区域的信任分数作为篡改区域，而垂直纹理交互感知（VTP, Vertical Texture-interactive Perception）控制生成更准确的区域边缘。

发表于WACV 2023，RGB频域双通道多尺度特征网络。

发表于AAAI2024，一种两阶段判别噪声引导的方法，第一阶段训练一个噪声提取器，以明确地扩大真实区域和伪造区域之间的噪声分布差异，第二阶段将噪声不一致和RGB数据集成，以进行伪造检测和定位。

发表于AAAI2024，为应对交叉熵损失优先考虑逐像素精度，但忽略了篡改区域的空间位置和形状细节，设计了基于掩码引导查询的转换器框架（MGQFormer），该框架使用GroundTruth掩码来引导可学习查询令牌（LQT）识别伪造区域。

发表于AAAI2024，包含RGB和频率特征的hrnet双分支架构，能够检测双压缩伪影的压缩伪影学习模型。

发表于MMM2024。

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。

发表于aixiv。

发表于AAAI 2025，其使用了Noiseprint++作为低级特征提取器，使用双流结构，其使用池化操作之后的结构作为查询向量，进行融合是最大的创新点。

发表于AAAI2025，该论文同时构建IML所需的微观与宏观信息介观表征，并提出Mesorch架构，一种融合卷积神经网络和Transformer模型优势的混合模型，通过动态调整尺度权重，能高效捕捉介观层面的伪影特征。

发表于TIFS 2025，，通过在特征提取网络阶段使用dropout层让同样的图像可以得到不同的输出特征，基于此，使用了两阶段训练，第一阶段在图像内部、跨尺度和跨模态三个维度使用对比损失进行训练，第二阶段使用交叉熵训练定位头，其代码思路和FOCAL非常相似。

发表于AAAI2025，提出了GIM数据集，提出了双流网络GIMFormer。

发表于IJCAI 2025，Loupe通过整合补丁感知分类器与带条件查询的分割模块，实现了全局真实性分类与细粒度掩码预测的同步处理。为增强对测试集分布偏移的鲁棒性，该模型创新性地采用伪标签引导的测试时自适应机制，利用补丁级预测结果对分割头进行监督学习。。

发表于arxiv上的论文，非常棒的工作！其整合了深度伪造检测、图像篡改检测/定位、AI生成图像检测和文档图像处理定位四大任务，并基于基准实验，提出了独特的发现。

发表于CVPR2023，该框架通过基于Transformer的融合架构，同时提取高阶特征与低阶特征：前者整合RGB图像与自适应学习的噪声敏感指纹，后者则通过仅使用真实数据进行自监督训练，精准捕捉相机内外部处理产生的伪影特征。

发表于TPAMI2025，将输入图像分割成多个区块后，分别使用掩码自注意力和差异卷积分别建模全局和局部像素依赖，同时设计了新型的学习加权模块来融合全局和局部的特征，还设计了像素不一致性数据增强方法增强鲁棒性。但其比较论文实验的结果和原本论文在相同数据集相同指标下的结果相差太多，之后尝试在已给代码上进行测试，再完成之后阅读。

发表于ICCV2025，拿到了Highlight，M2SFormer通过在跳跃连接中统一多频段和多尺度注意力机制，借助全局上下文信息，能更精准捕捉各类伪造特征。此外，框架通过采用全局先验图（一种反映伪造检测难度的曲率度量指标）来解决上采样过程中细节丢失的问题。该方法使用分割的指标而不是图像篡改的传统指标，而且比较的方法并不是公认的sota。

TDSC2025的文章，首次使用对比学习加聚类的方法做图像篡改检测。

发表于CVPR2025，将版权水印和图像篡改主动保护两个任务联合起来。

发表于TMM2022，将机器学习应用到操作链检测的任务中，将每一个操作视为一个元素进行翻译。

发表于TIFS2024，将强化学习引入到了图像篡改检测。

发表于AAAI2025，该框架的核心是Re-DTS策略，动态选择最合适的教师模型，将专业知识转移到学生模型。这一策略增强了学生模型处理各种篡改痕迹的能力，并提高了IFDL性能，将强化学习引入到了图像篡改检测。

发表于ACMMM 2025，提出了基于图像编辑技术的新数据集。

发表于TIP 2024，图像复制-移动伪造检测方向的图像篡改检测方法。

发表于TDSC2024，针对JPEG压缩导致的性能下降，使用解纠缠的方法，分离出jpeg压缩对篡改痕迹的影响，提出了一种鲁棒的图像伪造定位框架。

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。

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。

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。

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。

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。

发表于NeuralNetworks 2024。

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。

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。

发表于ECCV 2024。

发表于IJCV 2024，多模态的图像篡改检测。

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。

发表于CVPR2022。

发表于CVPR2024型，CAAA可以像素级自动和精确地注释大量的人工伪造的图像，进一步提出了一种新的度量QES，以方便不可靠注释的自动过滤。

发表于ACMMM2024,针对IML任务中公共训练数据集的稀缺，通过采用可调提示来利用预训练模型的丰富先验知识，即Prompt-IML框架,即插即用的特征对齐和融合模块。

发表于Pattern Recognition 2024，双同源感知生成对抗网络（DH-GAN）,选择性金字塔（SAP）校准多尺度特征。

发表于CVPR2024,集成三个视图的UnionFormer框架,一个调节不同尺度上空间一致性的篡改特征提取网络BSFI-Net。

发表于ICCV2023 将不确定性进行建模。

发表于ICCV2023，关注边界的信息，使用边界监督。

发表于ICCV2023，为弱监督图像篡改检测，具体来说，学习了两个一致性属性，多源一致性（MSC, multi-source consistency）和补丁间一致性（IPC, inter-patch consistency ）。MSC利用不同的内容无关信息，并通过在线伪标签生成和细化过程实现跨源学习。IPC执行全局成对补丁关系推理，以发现完整的操作区域。

发表于TCSVT 2023。

发表于AAAI2024，提出基于CatmullRom样条的回归网络，为了明确抑制假阳性样本和避免不确定性边界，综合再评分算法（CRA,Comprehensive Re-scoring Algorithm），综合评估每个区域的信任分数作为篡改区域，而垂直纹理交互感知（VTP, Vertical Texture-interactive Perception）控制生成更准确的区域边缘。

发表于WACV 2023，RGB频域双通道多尺度特征网络。

发表于AAAI2024，一种两阶段判别噪声引导的方法，第一阶段训练一个噪声提取器，以明确地扩大真实区域和伪造区域之间的噪声分布差异，第二阶段将噪声不一致和RGB数据集成，以进行伪造检测和定位。

发表于AAAI2024，为应对交叉熵损失优先考虑逐像素精度，但忽略了篡改区域的空间位置和形状细节，设计了基于掩码引导查询的转换器框架（MGQFormer），该框架使用GroundTruth掩码来引导可学习查询令牌（LQT）识别伪造区域。

发表于AAAI2024，包含RGB和频率特征的hrnet双分支架构，能够检测双压缩伪影的压缩伪影学习模型。

发表于MMM2024。

发表于TIFS 2024，采用基于重构的方法实现 OOD 检测，发现无需微调，基于重构的预训练模型在OOD检测任务上表现优秀。

发表于CVPR2025，提出了Forensics-Bench，统一了所有基于大型视觉语言模型LVLMs的伪造检测器，并基于基准实验，提出了独特的发现。