宋家駿， 劉桂雄， 黃家曦， 張國(guó)才

(華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣東 廣州 510640)

0 引 言

數(shù)字圖像經(jīng)過(guò)計(jì)算機(jī)軟件、移動(dòng)應(yīng)用程序或圖像生成技術(shù)處理后生成偽造圖像，若被不當(dāng)利用將帶來(lái)嚴(yán)重負(fù)面影響或重大損失。偽造圖像生成技術(shù)經(jīng)典有圖片編輯等圖像篡改方式，以及目前的生成式對(duì)抗網(wǎng)絡(luò)[1-2](generative adversarial nets, GAN)、擴(kuò)散模型[3](diffusion model)合成方式等。隨著偽造圖像生成方式發(fā)展，偽造圖像檢測(cè)方法也相應(yīng)產(chǎn)生。

對(duì)于復(fù)制粘貼、剪切粘貼、擦除填充等圖片編輯篡改方式，可通過(guò)統(tǒng)計(jì)度量方法計(jì)算像素或特征分塊間匹配度來(lái)檢測(cè)重復(fù)區(qū)域[4-8]或通過(guò)關(guān)鍵點(diǎn)匹配[9-10]，但分塊設(shè)計(jì)與選取直接影響識(shí)別復(fù)制粘貼偽造圖像效果；也可通過(guò)研究檢測(cè)區(qū)域邊緣連續(xù)性、照明均勻性、幾何或相機(jī)軌跡一致性等篡改特征來(lái)檢測(cè)剪切粘貼偽造圖像，但存在篡改線索敏感性難以統(tǒng)一等問(wèn)題[11-13]；也可基于統(tǒng)計(jì)特征的擦除填充區(qū)域與多個(gè)圖像分塊區(qū)域關(guān)系研究，識(shí)別擦除填充偽造圖像[14-17]，但對(duì)部分后處理圖像檢測(cè)魯棒性低；應(yīng)用多種方法決策融合策略，可提高統(tǒng)一圖片編輯偽造檢測(cè)與定位質(zhì)量，但還難以適用于所有的偽造圖像檢測(cè)[18-19]。對(duì)于應(yīng)用GAN 生成的偽造圖像，其檢測(cè)方法可通過(guò)學(xué)習(xí)特征共生矩陣[20-21]或使用分類層不同GAN 生成圖片獨(dú)有特征[22-23]來(lái)判斷生成圖像差異，但受GAN 結(jié)構(gòu)影響，特征分類器容易在已有生成器上過(guò)擬合，泛化性能降低。對(duì)于應(yīng)用擴(kuò)散模型生成的偽造圖像，可在對(duì)應(yīng)用GAN 生成偽造圖像檢測(cè)方法基礎(chǔ)上，進(jìn)一步通過(guò)多個(gè)低維度局部特征的內(nèi)在關(guān)系來(lái)進(jìn)行識(shí)別[24]。偽造圖像生成方法不同，偽造圖像屬性也不同，圖像偽造檢測(cè)與定位(image forgery detection and localization,IFDL)普適方法研究帶來(lái)困難。為此，密歇根州立大學(xué)等[25]提出用于IFDL 表征學(xué)習(xí)的分層細(xì)粒度公式，設(shè)計(jì)具有多分支特征提取器、定位和分類模塊的HiFi-Net，實(shí)現(xiàn)對(duì)CNN 合成、圖像編輯等偽造圖像的檢測(cè)及定位，根據(jù)偽造屬性分層依賴關(guān)系完成細(xì)粒度分類，HiFi-Net 模型在自制數(shù)據(jù)集上測(cè)試，圖像級(jí)別總體AUC、F1 分?jǐn)?shù)，像素級(jí)別AUC、F1分?jǐn)?shù)分別為96.8%、94.1%、95.3%、96.9%，在公共數(shù)據(jù)集上測(cè)試，綜合指標(biāo)優(yōu)于文獻(xiàn)[26-32]的大部分偽造圖像檢測(cè)模型。

本文選用HiFi-Net 檢測(cè)模型，研究細(xì)粒度偽造圖像檢測(cè)性能提升及優(yōu)化方法，應(yīng)用U-HRNet 替換目標(biāo)檢測(cè)模型特征提取網(wǎng)絡(luò)HRNet，改善高分辨率特征提取網(wǎng)絡(luò)語(yǔ)義表示[33]；引入SoftTripleLoss 模塊為每一類偽造屬性擴(kuò)充到多個(gè)聚類中心以改善SoftMax 損失[34]，提高細(xì)粒度分類準(zhǔn)確率，從而滿足細(xì)粒度偽造圖像的檢測(cè)功能性、偽造屬性分類準(zhǔn)確性要求。

1 HiFi-Net 偽造圖像檢測(cè)方案引入

本文應(yīng)用HiFi-Net 檢測(cè)模型實(shí)現(xiàn)細(xì)粒度偽造圖像檢測(cè)，包括偽造區(qū)域定位與屬性分類，區(qū)域定位要求模型網(wǎng)絡(luò)在偽造圖像篡改區(qū)域獲得更高響應(yīng)，屬性分類要求將偽造屬性進(jìn)行層級(jí)劃分，區(qū)分同層級(jí)偽造屬性，處理相應(yīng)分支上偽造屬性分層依賴關(guān)系。

結(jié)合偽造圖像生成技術(shù)，偽造屬性按層級(jí)劃分，圖1 為細(xì)粒度偽造圖像層級(jí)分類圖，其中初始層為真實(shí)圖片/偽造圖片；層級(jí)I 含部分偽造/全圖偽造；層級(jí)II 含基于圖片編輯的偽造方法/基于CNN 合成偽造方法/人臉偽造方法/基于GAN 偽造方法/基于擴(kuò)散模型偽造方法；層級(jí)III 含條件式偽造方法/非條件式偽造方法；層級(jí)IV 涉及Splice、 Inpainting、CopyMove、 STGAN、 Faceshifter、 FaceSwap、Face2Face、 Star-GANv2、 HiSD、 StGANv2-ada、StGAN3、DDPM、DDIM、GDM、LDM 等具體偽造圖像生成方法。

圖1 細(xì)粒度偽造圖像層級(jí)分類圖

具體以像素級(jí)別AUC(area under curve)及F1分?jǐn)?shù)、圖像級(jí)別F1 分?jǐn)?shù)及偽造屬性分類準(zhǔn)確率Acc 作為評(píng)價(jià)指標(biāo)[35]，驗(yàn)證優(yōu)化后HiFi-Net 檢測(cè)模型的細(xì)粒度偽造圖像檢測(cè)與定位性能。

圖2 為基于HRNet 骨干網(wǎng)絡(luò)的HiFi-Net 偽造圖像檢測(cè)模型結(jié)構(gòu)圖[25]，HiFi-Net 模型包括多分支特征提取、偽造區(qū)域定位、偽造屬性分類等模塊。其中，多分支特征提取模塊為四階段高分辨率特征提取網(wǎng)絡(luò)(High Resolution Net, HRNet)，HRNet 特征提取網(wǎng)絡(luò)通過(guò)并行多個(gè)不同分辨率的分支，對(duì)不同分支間的特征信息交互融合，實(shí)現(xiàn)特征提取過(guò)程維持高分辨率語(yǔ)義信息，減少特征提取過(guò)程語(yǔ)義信息丟失；偽造區(qū)域定位模塊應(yīng)用自注意力機(jī)制構(gòu)建像素對(duì)空間區(qū)域的依賴性、相互作用模型，學(xué)習(xí)偽造區(qū)域特征與整體特征之間關(guān)系，最高分辨率分支輸出特征映射到掩碼，生成掩膜圖；偽造屬性分類模塊為多層級(jí)分類器，根據(jù)偽造屬性分層依賴關(guān)系對(duì)各分支輸出的不同分辨率特征圖自下而上進(jìn)行屬性分類。為學(xué)習(xí)對(duì)細(xì)粒度偽造屬性分類最佳特征，最高分辨率分支使用掩膜圖、起始輸入圖像合成偽造區(qū)域部分掩膜圖，通過(guò)部分卷積層提取特征，再與上一分支輸出特征圖通道連通，每個(gè)分支最終輸出特征圖通過(guò)當(dāng)前分支偽造屬性分類器獲得預(yù)測(cè)值，預(yù)測(cè)值作為先驗(yàn)值參與下一分支屬性分類器計(jì)算?？梢钥闯?，HiFi-Net 檢測(cè)模型中HRNet 最低分辨率分支的特征圖直接輸出，強(qiáng)語(yǔ)義信息未被充分利用。由于偽造方法相對(duì)應(yīng)的真實(shí)圖片來(lái)源包含多種類別圖像，偽造圖像存在多個(gè)聚類中心，使用softmax 函數(shù)的分類模塊難以捕獲類內(nèi)多樣性。

2 應(yīng)用U-HRNet+SoftTripleLoss 的HiFi-Net 偽造圖像檢測(cè)技術(shù)

上面分析基于HRNet 的HiFi-Net 偽造圖像檢測(cè)技術(shù)存在問(wèn)題，下面進(jìn)一步討論應(yīng)用U-HRNet+SoftTripleLoss 的分層細(xì)粒度特征提取方法，并對(duì)模型進(jìn)行優(yōu)化，形成應(yīng)用U-HRNet+SoftTripleLoss的HiFi-Net 偽造圖像檢測(cè)技術(shù)。

2.1 應(yīng)用U-HRNet +SoftTripleLoss 的分層細(xì)粒度特征提取方法

1）使用UHRNet 代替HRNet

先進(jìn)的語(yǔ)義表示對(duì)語(yǔ)義分割任務(wù)有重要影響，高分辨率特征圖語(yǔ)義信息可使最終預(yù)測(cè)粒度接近像素級(jí)，低分辨率特征圖所攜帶的高級(jí)語(yǔ)義信息確保整體預(yù)測(cè)準(zhǔn)確性。在不增加額外計(jì)算成本情況下，使用U 型高分辨率網(wǎng)絡(luò)(U-shaped high resolution net, U-HRNet)[33]作為特征提取網(wǎng)絡(luò)，將有助于改進(jìn)網(wǎng)絡(luò)高分辨率特征整體語(yǔ)義表示。

圖3 為UHRNet 網(wǎng)絡(luò)整體結(jié)構(gòu)示意圖，網(wǎng)絡(luò)主體包含9 個(gè)階段，5 個(gè)分辨率流。階段①通過(guò)兩個(gè)瓶頸殘差塊提取特征，經(jīng)過(guò)渡層生成兩個(gè)不同分辨率分支并輸出特征圖；階段②兩個(gè)分支的特征圖分別經(jīng)過(guò)1 個(gè)高分辨率模塊(high resolution module,HR Module)的2 個(gè)堆疊基礎(chǔ)卷積塊進(jìn)一步提取圖像特征，再與另一分支特征融合，通過(guò)過(guò)渡層輸出兩個(gè)不同分辨率特征圖；階段③、④、⑤分別由2 個(gè)串聯(lián)HR 模塊組成；階段⑥、⑦、⑧分別保留上一階段的低分辨率特征，對(duì)其上采樣獲得高分辨率特征圖，再對(duì)應(yīng)與之前階段同分辨率特征圖進(jìn)行池化操作、通道融合，通過(guò)HR 模塊輸出特征；階段⑨將上一階段高分辨率特征圖輸入HR 模塊以獲取最高分辨率特征。將網(wǎng)絡(luò)階段⑤～階段⑧輸出的低分辨率特征圖與階段⑨輸出的高分辨率特征圖作為網(wǎng)絡(luò)最終輸出。與HRNet 相比，UHRNet 網(wǎng)絡(luò)每個(gè)階段只保留較高分辨率分支，在網(wǎng)絡(luò)深度方向設(shè)置三條路徑，讓前四個(gè)階段特征與學(xué)習(xí)到的高級(jí)語(yǔ)義特征進(jìn)行通道合并，保持高分辨率特征，減少計(jì)算量，完善高分辨率特征語(yǔ)義表達(dá)。網(wǎng)絡(luò)前半部分添加階段⑤，增加網(wǎng)絡(luò)深度，使低分辨率語(yǔ)義信息能被更充分地利用，網(wǎng)絡(luò)添加多個(gè)階段進(jìn)行各分辨率特征的學(xué)習(xí)。文獻(xiàn)[31]實(shí)驗(yàn)結(jié)果表明，與同量級(jí)HRNet 網(wǎng)絡(luò)相比，UHRNet 網(wǎng)絡(luò)能更好地完成密集預(yù)測(cè)任務(wù)。

2）SoftTripleLoss 代替SoftMaxLoss

深度度量學(xué)習(xí)可用于學(xué)習(xí)特征嵌入表示，使得同類別示例特征分布比不同類別更接近。經(jīng)典三元組損失(Triple Loss)方法依賴三元組樣本選取策略，因此若引入SoftTripleLoss 模塊[34]，將softmax 損失擴(kuò)展到每個(gè)類別多個(gè)中心，學(xué)習(xí)無(wú)約束采樣特征嵌入表示，將改善偽造屬性特征嵌入分布，提高細(xì)粒度偽造圖像分類準(zhǔn)確率。

圖4 為SoftMaxLoss 與SoftTripleLoss 原理對(duì)比圖，SoftTripleLoss 通過(guò)增加全連接層尺寸使每個(gè)類別包含多個(gè)中心，再計(jì)算示例與類別之間相似度，最后利用相似度計(jì)算出不同類別分布，SoftTriple 損失計(jì)算式為：

圖4 SoftMaxLoss 及SoftTripleLoss 原理對(duì)比圖

式中：xi——第i個(gè)示例的嵌入，其對(duì)應(yīng)標(biāo)簽為yi；網(wǎng)絡(luò)最后全連接層為[w1,w2,···,wc]∈Rd×C；

d、C——嵌入維數(shù)、類別數(shù)；

S′i,c——示例xi和類別c之間松弛相似度；

γ、 λ——比例因子、縮放因子；

δ——兩個(gè)類別之間間隔。

為改善類中心個(gè)數(shù)，SoftTripleLoss 在SoftTriple損失基礎(chǔ)上，加入自適應(yīng)類中心個(gè)數(shù)的計(jì)算方法。令每個(gè)類別有K個(gè)中心，示例個(gè)數(shù)為N，比例因子為τ，則自適應(yīng)類中心個(gè)數(shù)計(jì)算式、分類損失函數(shù)為：

2.2 應(yīng)用U-HRNet+SoftTripleLoss 的HiFi-Net模型優(yōu)化

下面研究HiFi-Net 模型的訓(xùn)練參數(shù)優(yōu)化，從而實(shí)現(xiàn)細(xì)粒度偽造圖像檢測(cè)任務(wù)。使用U-HRNet 替換原特征提取網(wǎng)絡(luò)，設(shè)置網(wǎng)絡(luò)輸出4 條分辨率流，其分別為網(wǎng)絡(luò)輸入圖片尺寸的1，1/2，1/4，1/16，在分類模塊中加入SoftTripleLoss 模塊。

圖5 為應(yīng)用U-HRNet+SoftTripleLoss 的HiFi-Net 模型結(jié)構(gòu)示意圖。模型包括U 形特征提取網(wǎng)絡(luò)、偽造區(qū)域定位模塊、細(xì)粒度偽造屬性分類模塊。令公式(4)超參數(shù)K=3，其余超參數(shù)采用文獻(xiàn)[25]推薦值，表1 為SoftTripleLoss 模塊主要超參數(shù)設(shè)置表。

表1 SoftTripleLoss 模塊主要超參數(shù)設(shè)置表

圖5 應(yīng)用U-HRNet+SoftTripleLoss 的HiFi-Net 模型結(jié)構(gòu)示意圖

應(yīng)用公式(4)計(jì)算分類損失函數(shù)L1cls～L4cls(層級(jí)I 到層級(jí)IV)，定位損失函數(shù)Lloc、二值交叉熵?fù)p失函數(shù)計(jì)算公式如下：

那么，優(yōu)化后模型的總損失函數(shù)為：

優(yōu)化后模型采用Adam 梯度下降優(yōu)化算法訓(xùn)練，使總損失函數(shù)Ltotal在一定迭代次數(shù)下收斂，獲得較優(yōu)性能的模型參數(shù)權(quán)重。

2.3 應(yīng)用U-HRNet+SoftTripleLoss 的HiFi-Net偽造圖像檢測(cè)流程

圖6 為應(yīng)用U-HRNet+SoftTripleLoss 的HiFi-Net 偽造圖像檢測(cè)流程框圖，包括離線構(gòu)建與優(yōu)化偽造圖像檢測(cè)模型、在線實(shí)時(shí)檢測(cè)偽造圖像兩模塊功能。其中離線構(gòu)建與優(yōu)化偽造圖像檢測(cè)模型模塊主要完成用于訓(xùn)練模型和測(cè)試模型性能的HiFi-IFDL 數(shù)據(jù)集構(gòu)建、HiFi-Net 模型優(yōu)化。HiFi-IFDL數(shù)據(jù)集由訓(xùn)練集、驗(yàn)證集、測(cè)試集組成，其中真實(shí)圖片取自公共數(shù)據(jù)集MSCOCO[36]、LSUN、CelebAHQ[37]、FFHQ[38]、YoutubeFace[39]，通過(guò)偽造方法將真實(shí)圖片生成偽造圖片；對(duì)訓(xùn)練集圖像進(jìn)行分類，偽造屬性按層級(jí)劃分，完成各層級(jí)偽造屬性編號(hào)，圖7、表2 分別為HiFi-IFDL 數(shù)據(jù)集偽造屬性分類、編號(hào)圖，偽造方法及其真實(shí)圖片來(lái)源、屬性向量表，偽造方法屬性向量依據(jù)偽造屬性編號(hào)生成，如表2屬性向量[1,2,2,4]表示I、II、III、IV 層級(jí)分別為部分偽造、人臉偽造、人臉偽造、FaceSwap 方法偽造；屬性向量[2,4,4,8]表示I、II、III、IV 層級(jí)分別為全圖偽造、擴(kuò)散模型偽造、條件式偽造、DDPM 方法偽造。在線實(shí)時(shí)檢測(cè)偽造圖像模塊主要完成圖像偽造屬性在線檢測(cè)，輸出預(yù)測(cè)屬性向量、預(yù)測(cè)掩膜，分別使用預(yù)測(cè)掩膜計(jì)算像素級(jí)別AUC 及F1 分?jǐn)?shù)、圖像級(jí)別F1 分?jǐn)?shù)，使用屬性向量計(jì)算出偽造屬性分類準(zhǔn)確率Acc，最終得到檢測(cè)結(jié)果。

表2 偽造方法及其真實(shí)圖片來(lái)源、屬性向量表

圖6 應(yīng)用U-HRNet+SoftTripleLoss 的HiFi-Net 偽造圖像檢測(cè)流程框圖

圖7 HiFi-IFDL 數(shù)據(jù)集偽造屬性分類、編號(hào)圖

3 實(shí)驗(yàn)與分析

選擇上一節(jié)介紹的HiFi-IFDL 數(shù)據(jù)集作為本文實(shí)驗(yàn)訓(xùn)練集(180K 張)、驗(yàn)證集(2.6K 張)和測(cè)試集(13K 張)，構(gòu)造并訓(xùn)練應(yīng)用U-HRNet+SoftTripleLoss的HiFi-Net 模型，使用測(cè)試集圖像與本文模型預(yù)測(cè)輸出二值圖、偽造屬性預(yù)測(cè)值，通過(guò)深度學(xué)習(xí)數(shù)據(jù)處理庫(kù)Scikit-learn[35]計(jì)算改進(jìn)后偽造圖像檢測(cè)模型像素級(jí)別AUC 及F1 分?jǐn)?shù)、圖像級(jí)別F1 分?jǐn)?shù)及偽造屬性分類準(zhǔn)確率Acc，并與文獻(xiàn)[25]模型進(jìn)行對(duì)比實(shí)驗(yàn)。

選用搭載AMD Ryzen 9 5950X 16 核CPU、24 GB 顯存Nvidia GeForce RTX 3090 顯卡的上位機(jī)，根據(jù)上述離線構(gòu)建模型方法設(shè)置訓(xùn)練超參數(shù)，設(shè)置訓(xùn)練迭代次數(shù)Epoch=10，獲得訓(xùn)練過(guò)程較優(yōu)模型權(quán)重。圖8 為本文模型訓(xùn)練過(guò)程總損失函數(shù)變化曲線，橫坐標(biāo)為訓(xùn)練迭代步數(shù)，縱坐標(biāo)為總損失函數(shù)數(shù)值。

圖8 本文模型訓(xùn)練過(guò)程總損失函數(shù)變化曲線

測(cè)試集圖片分別經(jīng)過(guò)改進(jìn)前后模型獲得各層級(jí)偽造屬性特征的嵌入表示，利用主成分分析(PCA)法[40-42]對(duì)改進(jìn)前后模型特征嵌入進(jìn)行數(shù)據(jù)降維分析，通過(guò)觀察各組特征對(duì)應(yīng)散點(diǎn)在組內(nèi)聚合信息來(lái)判斷該組特征組內(nèi)重復(fù)性、特征相似性情況；通過(guò)不同組特征分布信息來(lái)判斷組間區(qū)分度情況。

圖9(a)為測(cè)試集圖片特征主成分分析圖；圖9(b)或圖10(a)、圖9(c)或圖10(b)、圖9(d)或圖10(c)、圖9(e)或圖10(d)分別為層級(jí)I 到層級(jí)IV 偽造屬性特征嵌入的主成分分析圖，每種顏色代表相應(yīng)層級(jí)偽造屬性的一個(gè)類別。

圖9 文獻(xiàn)[25]模型各特征主成分分析圖

可以看出，本文模型同類別的示例特征嵌入分布比改進(jìn)前模型更接近，且能較好區(qū)分不同類別。

對(duì)改進(jìn)前后模型的評(píng)價(jià)指標(biāo)進(jìn)行定量分析，表3為改進(jìn)前后模型像素級(jí)別AUC、F1 指標(biāo)比較表。像素級(jí)別評(píng)價(jià)指標(biāo)評(píng)估檢測(cè)模型偽造區(qū)域定位性能，部分偽造屬性偽造方法可以利用掩膜真值進(jìn)行像素級(jí)評(píng)估。實(shí)驗(yàn)表明，本文模型像素級(jí)別評(píng)價(jià)指標(biāo)總體優(yōu)于文獻(xiàn)[25]模型。

表3 像素級(jí)別AUC、F1 指標(biāo)比較表

表4 為改進(jìn)前后模型圖像級(jí)別偽造屬性分類Acc、F1 指標(biāo)比較表。圖像級(jí)別評(píng)價(jià)指標(biāo)評(píng)估模型偽造屬性分類性能，其中Acc 的值評(píng)估偽造屬性分類準(zhǔn)確率，F(xiàn)1 分?jǐn)?shù)評(píng)價(jià)模型分類綜合性能。

實(shí)驗(yàn)表明，本文模型分類預(yù)測(cè)平均準(zhǔn)確率比文獻(xiàn)[25]模型提高0.57%，所有層級(jí)偽造屬性分類都預(yù)測(cè)正確的總體準(zhǔn)確率比原模型提高1.23%。綜上所述，本文模型在各層級(jí)偽造屬性分類準(zhǔn)確率、性能上均優(yōu)于文獻(xiàn)[25]模型。

4 結(jié)束語(yǔ)

本文面向IFDL 需求，研究細(xì)粒度偽造圖像檢測(cè)模型HiFi-Net 性能提升及優(yōu)化方法，創(chuàng)新性主要包括：

1)提出一種基于U-HRNet+SoftTripleLoss 的分層細(xì)粒度特征提取方法，采用U-HRNet 替代HRNet 特征提取網(wǎng)絡(luò)，促使網(wǎng)絡(luò)學(xué)習(xí)更深層的語(yǔ)義信息；引入SoftTripleLoss 模塊優(yōu)化偽造屬性特征嵌入表示，使用深度度量的學(xué)習(xí)方法，將softmax 損失擴(kuò)展到每個(gè)類別具有多個(gè)中心，提高細(xì)粒度偽造圖像分類準(zhǔn)確率。

2)面向HiFi-IFDL 提出HiFi-Net 模型優(yōu)化方法，推導(dǎo)分類損失函數(shù)L1cls～L4cls、定位損失函數(shù)Lloc、二值交叉熵?fù)p失函數(shù)以及總損失函數(shù)，設(shè)置細(xì)粒度偽造屬性分類器損失函數(shù)LSoftTriple關(guān)鍵參數(shù)，適應(yīng)分層細(xì)粒度偽造圖像檢測(cè)任務(wù)，離線構(gòu)建得到應(yīng)用U-HRNet+SoftTripleLoss 的HiFi-Net 偽造圖像檢測(cè)優(yōu)化模型。

3)在HiFi-IFDL 數(shù)據(jù)集上進(jìn)行測(cè)試及驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，與原文獻(xiàn)模型相比，本文模型在圖像偽造區(qū)域定位任務(wù)中，總體評(píng)價(jià)指標(biāo)AUC、F1 分別提高0.002 5，0.008 2；在偽造屬性分類任務(wù)中，總體分類準(zhǔn)確率Acc 提高1.23%。

本文研究重點(diǎn)在偽造分類準(zhǔn)確率提升，下一階段將繼續(xù)開展偽造區(qū)域定位提升技術(shù)。