尹承禧，張博林，羅俊偉，朱春陶，付婧巧，盧偉*

1.中山大學(xué)計(jì)算機(jī)學(xué)院廣東省信息安全技術(shù)重點(diǎn)實(shí)驗(yàn)室，廣州 510006；

2.中山大學(xué)計(jì)算機(jī)學(xué)院機(jī)器智能與先進(jìn)計(jì)算教育部重點(diǎn)實(shí)驗(yàn)室，廣州 510006；

3.中山大學(xué)信息管理學(xué)院，廣州 510006

0 引言

隨著科學(xué)技術(shù)和數(shù)字成像設(shè)備的快速發(fā)展，數(shù)字圖像已經(jīng)遍布互聯(lián)網(wǎng)和現(xiàn)實(shí)世界中的各個(gè)角落。在數(shù)字媒體技術(shù)的廣泛應(yīng)用和推動(dòng)下，Photoshop、ACDSee等圖像編輯軟件逐漸普及，人們對(duì)數(shù)字圖像進(jìn)行惡意篡改越來(lái)越容易。但經(jīng)過(guò)惡意篡改的數(shù)字圖像很容易對(duì)生活甚至社會(huì)和國(guó)家造成惡劣的影響，因此，數(shù)字圖像篡改檢測(cè)技術(shù)研究對(duì)多媒體技術(shù)安全具有重要意義（李曉龍 等，2021）。近20 年來(lái)，國(guó)內(nèi)外研究人員圍繞數(shù)字圖像篡改檢測(cè)開(kāi)展了大量的研究工作，提出了許多有效的檢測(cè)算法和數(shù)據(jù)集。隨著雙攝像頭在智能手機(jī)、自動(dòng)駕駛和機(jī)器人領(lǐng)域的普及，雙目超分辨率圖像以更高的感知質(zhì)量逐漸出現(xiàn)在人們的視野中，但其安全性問(wèn)題卻沒(méi)有受到足夠的重視。雙目超分辨率圖像成像經(jīng)過(guò)超分辨率算法，與以往單攝像頭成像的單目圖像相比具有不同的圖像特征，現(xiàn)有圖像篡改檢測(cè)方法在雙目超分辨率圖像上的性能需要重新驗(yàn)證并展開(kāi)進(jìn)一步研究。然而現(xiàn)有的圖像篡改數(shù)據(jù)集大部分是單目圖像數(shù)據(jù)集，缺少雙目超分辨率圖像篡改數(shù)據(jù)集。為了給雙目超分辨率圖像篡改檢測(cè)研究提供可靠依據(jù)，本文提出了一個(gè)適用于通用篡改檢測(cè)研究的雙目超分辨率圖像篡改數(shù)據(jù)集SSRGFD（stereo superresolution general forensic dataset）。

數(shù)字圖像篡改檢測(cè)是多媒體安全領(lǐng)域中一項(xiàng)重要的研究課題，通過(guò)分析數(shù)字圖像特征和篡改痕跡識(shí)別并揭示圖像的惡意篡改區(qū)域，能夠保障數(shù)字圖像的真實(shí)性和完整性。常見(jiàn)的篡改操作有復(fù)制黏貼、拼接和修復(fù)3 種。通過(guò)復(fù)制黏貼和拼接操作能夠達(dá)到添加或覆蓋圖像內(nèi)容的目的，主要區(qū)別在于復(fù)制區(qū)域和黏貼區(qū)域是否同源。圖像修復(fù)可用于填充圖像殘缺區(qū)域或去除圖像內(nèi)容。為了提高篡改圖像質(zhì)量，篡改操作往往伴隨著縮放、對(duì)比度變化、加噪和壓縮等后處理手段，這一系列篡改操作在圖像中引入的篡改痕跡，是圖像篡改檢測(cè)的關(guān)鍵。早期的圖像篡改檢測(cè)研究主要判斷圖像是否被篡改，通過(guò)檢測(cè)圖像是否經(jīng)過(guò)重采樣（Liu等，2020；Zhang等，2020）、壓縮（Wang 等，2020）和模糊（Chen 等，2013）等后處理操作對(duì)圖像真實(shí)性作出判斷。圖像篡改定位在篡改檢測(cè)研究的基礎(chǔ)上，通過(guò)滑動(dòng)窗口的方式對(duì)圖像篡改區(qū)域進(jìn)行檢測(cè)和識(shí)別，能夠給出更細(xì)精度的決策，但存在滑動(dòng)窗口大小和定位性能相互約束的問(wèn)題。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，深度學(xué)習(xí)算法也廣泛應(yīng)用到圖像篡改檢測(cè)領(lǐng)域中，大幅提高了篡改檢測(cè)準(zhǔn)確率。越來(lái)越多復(fù)制黏貼篡改檢測(cè)（Yang 等，2017）、圖形拼接篡改檢測(cè)（Zeng 等，2017；Kwon 等，2021）和圖形修復(fù)篡改檢測(cè)（Wan 等，2021；Guo 等，2021）技術(shù)不斷涌現(xiàn)。深度學(xué)習(xí)算法在圖像篡改檢測(cè)領(lǐng)域的突破，得益于一系列的圖像篡改數(shù)據(jù)集。數(shù)據(jù)集可以為理論研究提供一個(gè)窗口，研究者能夠通過(guò)數(shù)據(jù)集了解待解決問(wèn)題的復(fù)雜程度，高質(zhì)量的數(shù)據(jù)集往往能夠提高模型訓(xùn)練的質(zhì)量和篡改檢測(cè)的準(zhǔn)確率。目前，已存在一些針對(duì)圖像篡改檢測(cè)的公開(kāi)可用數(shù)據(jù)集，表1 展示了部分公開(kāi)數(shù)據(jù)集的基本信息。

表1 常用數(shù)字圖像篡改數(shù)據(jù)集Table 1 Common digital images tampering datasets

美國(guó)哥倫比亞大學(xué)的研究團(tuán)隊(duì)（Ng 和Chang，2004）發(fā)布了首個(gè)圖像拼接篡改數(shù)據(jù)集Columbia gray。該數(shù)據(jù)集由128 × 128 像素的灰度圖像組成，包含912 幅拼接圖像。該團(tuán)隊(duì)認(rèn)為直接來(lái)源于成像設(shè)備的圖像是真實(shí)的，并通過(guò)Photoshop 對(duì)真實(shí)圖像進(jìn)行裁剪和隨機(jī)拼接。為了側(cè)重拼接篡改檢測(cè)，圖像拼接篡改過(guò)程沒(méi)有經(jīng)過(guò)任何預(yù)處理或后處理。隨后，該團(tuán)隊(duì)（Hsu 和Chang，2006）又發(fā)布了Columbia color 數(shù)據(jù)集對(duì)前一個(gè)數(shù)據(jù)集進(jìn)行擴(kuò)展。該數(shù)據(jù)集共有180 幅不同尺寸的彩色拼接圖像，同樣通過(guò)隨機(jī)拼接的方式構(gòu)建篡改圖像，且沒(méi)有對(duì)篡改區(qū)域進(jìn)行任何后處理操作。這兩個(gè)拼接圖像數(shù)據(jù)集在早期的拼接篡改檢測(cè)中應(yīng)用較多，但數(shù)據(jù)集拼接圖像的主觀視覺(jué)質(zhì)量較差，難以比擬真實(shí)情況中的拼接篡改圖像。中國(guó)科學(xué)院自動(dòng)化研究所（Dong 等，2013）發(fā)布了一個(gè)具有真實(shí)拼接篡改操作的自然彩色圖像數(shù)據(jù)集CASIA（image tampering detection evaluationdatabase of Institute of Automation，Chinese Academy of Sciences）。該數(shù)據(jù)集通過(guò)Photoshop 對(duì)真實(shí)圖像進(jìn)行篡改，包括v1 和v2 兩個(gè)版本。其中CASIA v1包含921幅尺寸為384 × 256像素的JPEG篡改圖像，考慮拼接和復(fù)制黏貼兩種篡改類型，而且在進(jìn)行圖像拼接前會(huì)通過(guò)旋轉(zhuǎn)、縮放等方式對(duì)拼接區(qū)域進(jìn)行預(yù)處理。而CASIA v2 的圖像數(shù)量和格式類型更多，包括5 123 幅彩色圖像。此外，CASIA v2 還引入了模糊、過(guò)濾等后處理手段掩蓋篡改痕跡以提升篡改圖像的視覺(jué)質(zhì)量，使得篡改圖像更加真實(shí)也更具有挑戰(zhàn)性。與Columbia 數(shù)據(jù)集相比，CASIA 的篡改質(zhì)量更高，也更符合實(shí)際篡改情景，可惜該數(shù)據(jù)集未提供篡改圖像的篡改區(qū)域掩膜。

2016 年以來(lái)，美國(guó)國(guó)家標(biāo)準(zhǔn)與技術(shù)研究院（Guan 等，2019）提出了NIST16（the Nimble Challenge 2016 kickoff dataset）、NIST17（the Nimble Challenge 2017 development dataset）等一系列篡改圖像數(shù)據(jù)集。其中，NIST16 數(shù)據(jù)集包含復(fù)制黏貼、拼接和圖像修復(fù)3種篡改操作，共有564幅篡改圖像。數(shù)據(jù)集中的篡改操作經(jīng)過(guò)后處理隱藏了可見(jiàn)痕跡，還提供了篡改區(qū)域掩膜以進(jìn)行模型評(píng)估。但數(shù)據(jù)集篡改圖像數(shù)量不多，后續(xù)發(fā)布的NIST17 數(shù)據(jù)集進(jìn)一步增加了圖像的篡改類型、格式和數(shù)量，為圖像篡改檢測(cè)研究的分析和評(píng)估提供了良好的參考依據(jù)。

Heller 等人（2018）從一個(gè)大型圖像處理愛(ài)好者社區(qū)收集了PS-Battles數(shù)據(jù)集。該數(shù)據(jù)集共91 886幅篡改圖像，隨著時(shí)間的推移，該數(shù)據(jù)集也會(huì)不斷地?cái)U(kuò)展。但該數(shù)據(jù)集沒(méi)有收集圖像對(duì)應(yīng)的篡改區(qū)域掩膜，在一定程度上限制了數(shù)據(jù)集的應(yīng)用。Mahfoudi等人（2019）利用MS COCO（Microsoft common objects in context database）中的注釋對(duì)偽造對(duì)象進(jìn)行分割，并在此基礎(chǔ)上生成了包含復(fù)制黏貼、拼接、移除和臉部變換4 種篡改類型的超過(guò)20 萬(wàn)幅篡改圖像的DEFACTO 數(shù)據(jù)集。盡管通過(guò)腳本生成篡改圖像時(shí)考慮了篡改對(duì)象的位置，但主觀視覺(jué)質(zhì)量仍然較差。Novozámsky等人（2020）提出了 數(shù)據(jù)集IMD2020（large-scale annotated dataset），他們從市面上的相機(jī)產(chǎn)品中選擇了2 322款相機(jī)，拍攝捕捉了大量真實(shí)圖像數(shù)據(jù)，進(jìn)一步通過(guò)多種圖像處理操作和生成對(duì)抗網(wǎng)絡(luò)（generative adversarial network，GAN）等深度偽造算法，最終得到了包含70 000幅算法合成和2 010幅手工生成的篡改圖像數(shù)據(jù)集。但通過(guò)深度偽造算法合成篡改圖像時(shí)隨機(jī)選擇篡改區(qū)域，偽造圖像存在明顯的篡改痕跡，因此大部分情況下只考慮使用收集的2 010幅手工篡改圖像。

雖然現(xiàn)有篡改圖像數(shù)據(jù)集已經(jīng)廣泛應(yīng)用于數(shù)字圖像篡改檢測(cè)任務(wù)中，但這些數(shù)據(jù)集的原始圖像主要來(lái)源于單目成像設(shè)備。而雙目成像系統(tǒng)在智能手機(jī)、自動(dòng)駕駛等多個(gè)領(lǐng)域占據(jù)越來(lái)越重要的位置，雙目圖像超分辨技術(shù)也隨之快速發(fā)展。StereoSR（stereo image super-resolution network）（Jeon 等，2018）、PASSRnet（parallax attention stereo image superresolution network）（Wang 等，2019a）、SPAMnet（self and parallax attention network）（Song 等，2020）和CPASSRnet（cross parallax attention network）（Chen等，2022）等雙目圖像超分辨率算法相繼提出，這些深度學(xué)習(xí)算法利用左右圖的互補(bǔ)信息對(duì)圖像進(jìn)行恢復(fù)重建，合成具有更高分辨率的雙目超分辨率圖像。盡管雙目超分辨率圖像經(jīng)過(guò)算法合成，但這個(gè)過(guò)程在設(shè)備成像過(guò)程中完成，不經(jīng)過(guò)人工干預(yù)，從雙目成像設(shè)備直接得到的雙目超分辨率圖像也應(yīng)該認(rèn)定為真實(shí)圖像。因此，針對(duì)雙目超分辨率圖像的圖像篡改檢測(cè)研究也具有重要意義。然而，雙目超分辨率圖像的合成過(guò)程會(huì)破壞左右圖像的模式噪聲，生成新像素，提升圖像分辨率的過(guò)程也會(huì)引入圖像像素相關(guān)性的變化。雙目超分辨率圖像和單目圖像具有不同的圖像特征，對(duì)現(xiàn)有的在單目圖像數(shù)據(jù)集上驗(yàn)證的篡改檢測(cè)方法帶來(lái)了極大的影響。因此，針對(duì)雙目超分辨率圖像的篡改檢測(cè)是目前數(shù)字圖像篡改檢測(cè)領(lǐng)域的研究課題之一。

鑒于目前缺乏針對(duì)雙目超分辨率圖像的篡改圖像數(shù)據(jù)集，本文提出了一個(gè)雙目超分辨率圖像篡改數(shù)據(jù)集SSRGFD，以推動(dòng)雙目超分辨率圖像篡改檢測(cè)研究工作的發(fā)展。數(shù)據(jù)集的真實(shí)圖像通過(guò)PASSRnet 算法從Flicker1024（large-scale stereo image super-resolution dataset）（Wang 等，2019b）雙目數(shù)據(jù)集中生成，涵蓋復(fù)制黏貼、拼接和修復(fù)3 種篡改圖像。本文結(jié)合PhotoShop 圖像編輯工具軟件和深度圖像修復(fù)算法人工構(gòu)建了復(fù)制黏貼、拼接和修復(fù)3 種類型的篡改圖像。為了更貼合真實(shí)篡改場(chǎng)景，在構(gòu)建篡改圖像過(guò)程中采用了縮放、旋轉(zhuǎn)和模糊等多種圖像處理操作隱藏可見(jiàn)篡改痕跡，提高篡改圖像的視覺(jué)質(zhì)量，給雙目超分辨率圖像篡改檢測(cè)帶來(lái)了更大的挑戰(zhàn)。

1 SSRGFD數(shù)據(jù)集介紹

1.1 數(shù)據(jù)來(lái)源和預(yù)處理

本文構(gòu)建SSRGFD 數(shù)據(jù)集的雙目超分辨率圖像數(shù)據(jù)來(lái)源于雙目圖像數(shù)據(jù)集Flickr1024，該數(shù)據(jù)集由1 024 對(duì)立體圖像對(duì)組成，涵蓋了自然風(fēng)景、街道和房屋等多種場(chǎng)景，通過(guò)對(duì)該數(shù)據(jù)集進(jìn)行篡改操作能夠更有效地貼合實(shí)際情況中的各種篡改情景。從Flickr1024獲取立體圖像對(duì)后，為模擬雙目成像設(shè)備的成像過(guò)程，使用PASSRnet 以大小為2 的超分辨率因子生成雙目超分辨率圖像。通過(guò)PASSRnet 模擬雙目設(shè)備成像過(guò)程，合成的雙目超分辨率圖像也被認(rèn)定為真實(shí)圖像。所有圖像保存為PNG 格式，圖像尺寸隨Flickr1024 中原始立體圖像對(duì)的尺寸變化，表2給出了SSRGFD數(shù)據(jù)集的具體信息。

表2 SSRGFD數(shù)據(jù)集概況Table 2 Overview of SSRGFD dataset

1.2 圖像篡改操作

對(duì)圖像的隨機(jī)區(qū)域進(jìn)行篡改能夠快速地生成大量的篡改圖像，但篡改區(qū)域往往在圖像語(yǔ)義上沒(méi)有意義，還會(huì)留下明顯的可見(jiàn)篡改痕跡。為了滿足實(shí)際篡改場(chǎng)景的應(yīng)用，SSRGFD 數(shù)據(jù)集構(gòu)建結(jié)合Photoshop圖像編輯工具和深度學(xué)習(xí)算法對(duì)真實(shí)雙目超分辨率圖像進(jìn)行篡改，篡改過(guò)程可能會(huì)經(jīng)過(guò)縮放、拉伸和旋轉(zhuǎn)等預(yù)處理操作，以及模糊、對(duì)比度變換和色彩變換等后處理操作以掩蓋可見(jiàn)篡改痕跡，使得篡改數(shù)據(jù)集更符合真實(shí)場(chǎng)景和更具有挑戰(zhàn)性。SSRGFD數(shù)據(jù)集包括復(fù)制黏貼、圖像拼接和圖像修復(fù)3 種篡改類型的篡改圖像，每幅篡改圖像僅包含一種篡改操作，接下來(lái)將詳細(xì)介紹3種類型的篡改操作。

1.2.1 復(fù)制黏貼

復(fù)制黏貼篡改圖像通過(guò)復(fù)制原始圖像中的一部分內(nèi)容并將其黏貼到原始圖像的不同區(qū)域得到。在生成復(fù)制黏貼圖像時(shí)，將遵循以下標(biāo)準(zhǔn)：

1）語(yǔ)義完整性。所有的復(fù)制區(qū)域都是一個(gè)完整的對(duì)象，具有完整的語(yǔ)義信息。當(dāng)黏貼區(qū)域處于圖像邊界時(shí)，截?cái)嗖粫?huì)破壞黏貼對(duì)象的語(yǔ)義。

2）篡改可行性。復(fù)制區(qū)域和黏貼區(qū)域附近的環(huán)境信息應(yīng)該相似。

3）檢測(cè)挑戰(zhàn)性。篡改圖像有一個(gè)或多個(gè)復(fù)制區(qū)域，有一個(gè)或多個(gè)黏貼區(qū)域。

4）內(nèi)容多樣性。復(fù)制的對(duì)象可以包括動(dòng)物、植物、交通工具和建筑等多種對(duì)象。

5）篡改痕跡隱蔽性。篡改過(guò)程可能經(jīng)過(guò)旋轉(zhuǎn)、縮放和變換等預(yù)處理操作，篡改區(qū)域可能經(jīng)過(guò)模糊、加噪和對(duì)比度變換等后處理操作。

為了避免篡改對(duì)象沒(méi)有明顯語(yǔ)義或語(yǔ)義被破壞，黏貼區(qū)域和周圍環(huán)境有明顯語(yǔ)義區(qū)別，導(dǎo)致篡改圖像語(yǔ)義不符合真實(shí)場(chǎng)景、在視覺(jué)上有明顯的人工篡改現(xiàn)象，在進(jìn)行復(fù)制黏貼篡改操作時(shí)，會(huì)嚴(yán)格保證復(fù)制和黏貼對(duì)象的語(yǔ)義完整性和篡改可行性。并且通過(guò)重復(fù)復(fù)制對(duì)象或復(fù)制多個(gè)對(duì)象進(jìn)行黏貼篡改使得檢測(cè)任務(wù)更具有挑戰(zhàn)性?？紤]內(nèi)容多樣性，復(fù)制的對(duì)象涵蓋了動(dòng)植物、汽車和房屋等在實(shí)際生活中常見(jiàn)的對(duì)象。為了進(jìn)一步提升數(shù)據(jù)集質(zhì)量，在篡改過(guò)程中會(huì)進(jìn)行多種預(yù)處理和后處理操作以掩蓋篡改痕跡，使篡改圖像更接近實(shí)際篡改場(chǎng)景。為每幅復(fù)制黏貼篡改圖像，都提供了對(duì)應(yīng)的復(fù)制區(qū)域掩膜和黏貼區(qū)域掩膜，圖1 展示了復(fù)制黏貼篡改圖像及其對(duì)應(yīng)復(fù)制區(qū)域掩膜和黏貼區(qū)域掩膜的示例。

圖1 復(fù)制黏貼篡改圖像及掩膜示例Fig.1 Copy-move forgery images and masks（（a）copy-move forgery images；（b）duplicated region masks；（c）tampering region masks）

1.2.2 圖像拼接

拼接篡改圖像通過(guò)將原始圖像中的對(duì)象黏貼到不同圖像上得到。對(duì)于拼接圖像，首先在真實(shí)圖像中提取出具有完整語(yǔ)義的拼接對(duì)象，隨后黏貼到另一圖像的拼接區(qū)域上，完成異源圖像間的拼接篡改。在進(jìn)行圖像拼接時(shí)，考慮以下拼接篡改標(biāo)準(zhǔn)。

1）語(yǔ)義完整性。所有提取的拼接對(duì)象都具有完整的語(yǔ)義信息。當(dāng)拼接區(qū)域處于圖像邊界時(shí)，截?cái)嗖粫?huì)破壞對(duì)象的語(yǔ)義。

2）篡改可行性。拼接區(qū)域和拼接對(duì)象的源區(qū)域附近的環(huán)境信息應(yīng)該相似。

3）檢測(cè)挑戰(zhàn)性。每幅篡改圖像使用一個(gè)或多個(gè)拼接對(duì)象進(jìn)行篡改拼接，每幅篡改圖像包含一個(gè)或多個(gè)拼接區(qū)域。

4）內(nèi)容多樣性。選擇的拼接對(duì)象可以包括動(dòng)物、植物、交通工具和建筑等多種對(duì)象。

5）篡改痕跡隱蔽性。拼接對(duì)象可能經(jīng)過(guò)旋轉(zhuǎn)、縮放和變換等預(yù)處理操作，拼接篡改后區(qū)域會(huì)對(duì)圖像進(jìn)行模糊、亮度調(diào)整和對(duì)比度變換等后處理操作。

在拼接篡改過(guò)程中，同樣嚴(yán)格遵循拼接對(duì)象的語(yǔ)義完整性和拼接區(qū)域的篡改可行性要求，以滿足實(shí)際場(chǎng)景的篡改需求。為了提升篡改圖像質(zhì)量和豐富性，拼接篡改過(guò)程會(huì)從一幅或多幅真實(shí)圖像中提取拼接對(duì)象，黏貼到一幅異源圖像上。與復(fù)制黏貼篡改不同的是，復(fù)制區(qū)域和黏貼區(qū)域來(lái)自同一幅圖像，而拼接對(duì)象和拼接區(qū)域來(lái)自不同圖像，因此拼接篡改更需要考慮不同圖像噪聲、亮度和光照等因素的關(guān)系。針對(duì)這個(gè)問(wèn)題，在拼接篡改中往往會(huì)更頻繁地使用到對(duì)比度增強(qiáng)、亮度調(diào)整和模糊等后處理操作來(lái)掩蓋拼接痕跡。對(duì)每幅拼接篡改圖像，都提供了對(duì)應(yīng)的拼接區(qū)域掩膜，圖2 展示了拼接篡改圖像及其對(duì)應(yīng)拼接區(qū)域掩膜的示例。

圖2 拼接篡改圖像及掩膜示例Fig.2 Samples of splicing forgery images and masks（（a）splicing forgery images；（b）masks）

1.2.3 圖像修復(fù)

圖像修復(fù)旨在恢復(fù)殘缺圖像中缺失的像素特征或通過(guò)背景內(nèi)容填充的方式去除圖像中的物體。在數(shù)據(jù)集構(gòu)建中，修復(fù)篡改圖像包括重建和移除兩類。1）圖像重建是根據(jù)殘缺圖像中缺失區(qū)域周圍已知像素特征和圖像背景分布對(duì)缺失區(qū)域進(jìn)行修復(fù)的過(guò)程。圖像修復(fù)篡改中的重建圖像通過(guò)深度學(xué)習(xí)算法重建殘缺圖像得到。首先對(duì)真實(shí)圖像進(jìn)行破壞，然后通過(guò)圖像修復(fù)模型HiFill（high-resolution image inpainting network）（Yi 等，2020）對(duì)破壞后的殘缺圖像進(jìn)行修復(fù)。HiFill對(duì)輸入圖像尺寸沒(méi)有限制，可以直接對(duì)各種尺寸的殘缺圖像進(jìn)行修復(fù)，能夠在較少計(jì)算資源的情況下實(shí)現(xiàn)超高分辨率圖像修復(fù)，且圖像分辨率和待修復(fù)區(qū)域尺寸不會(huì)顯著影響模型處理速度和修復(fù)質(zhì)量，能夠高效完成雙目超分辨率圖像的修復(fù)篡改任務(wù)。首先將圖像降采樣到512 × 512像素，然后對(duì)其進(jìn)行上采樣，獲得與原始輸入相同大小的模糊圖像。同時(shí)，生成器獲取低分辨率的圖像并填充這些漏洞，注意力計(jì)算模塊計(jì)算注意力得分并通過(guò)從原始輸入中減去模糊圖像來(lái)計(jì)算上下文殘差，然后通過(guò)注意轉(zhuǎn)移模塊從上下文殘差和注意分?jǐn)?shù)計(jì)算掩膜區(qū)域的聚合殘差。最后，將聚合的殘差添加到上采樣的結(jié)果中，在掩膜區(qū)域輸出，而掩膜外部的區(qū)域只是原始輸入的副本。2）圖像移除指從目標(biāo)對(duì)象周圍像素中采樣，通過(guò)在目標(biāo)區(qū)域填充采樣像素的方式達(dá)到去除圖像內(nèi)容對(duì)象的目的。修復(fù)篡改圖像中的移除圖像使用Photoshop 人工合成，通過(guò)拾取一定范圍內(nèi)的像素進(jìn)行模擬，參考真實(shí)圖像的背景內(nèi)容覆蓋圖像目標(biāo)區(qū)域達(dá)到去除圖像中物體的目的。在圖像修復(fù)篡改過(guò)程中，圖像重建和圖像移除都遵循以下準(zhǔn)則：

1）目標(biāo)對(duì)象多樣性。去除的目標(biāo)是動(dòng)物、植物和建筑等各種具有完整語(yǔ)義的對(duì)象，修復(fù)的目標(biāo)也可以是天空、湖泊和墻壁等背景內(nèi)容。

2）修復(fù)效果合理性。若通過(guò)深度學(xué)習(xí)算法得到的修復(fù)結(jié)果具有大量偽影或與其他區(qū)域具有較大的視覺(jué)差異，則將其從數(shù)據(jù)集中去除。通過(guò)Photoshop進(jìn)行圖像修復(fù)時(shí)參考區(qū)域和去除的目標(biāo)區(qū)域應(yīng)具有相似的環(huán)境信息。

3）篡改痕跡隱蔽性。在完成圖像修復(fù)后，可能會(huì)對(duì)修復(fù)篡改圖像進(jìn)行縮放、模糊和對(duì)比度調(diào)整等多種后處理操作。

在實(shí)際的圖像修復(fù)任務(wù)中，圖像的殘缺區(qū)域是不確定的，而對(duì)圖像對(duì)象進(jìn)行去除時(shí)通常針對(duì)完整對(duì)象。因此，依據(jù)目標(biāo)對(duì)象多樣性對(duì)圖像進(jìn)行修復(fù)篡改能夠有效擬合真實(shí)場(chǎng)景中的圖像修復(fù)。由于深度學(xué)習(xí)模型訓(xùn)練所使用的圖像與需要修復(fù)的圖像有一定的差異，部分修復(fù)圖像會(huì)存在明顯的篡改痕跡（強(qiáng)振平 等，2019），因此不考慮將這部分修復(fù)質(zhì)量較差的圖像加入數(shù)據(jù)集中。此外，在手工進(jìn)行目標(biāo)去除時(shí)也需要保證修復(fù)效果的合理性，修復(fù)的參考對(duì)象區(qū)域與去除目標(biāo)對(duì)象區(qū)域應(yīng)該接近或相似，避免修復(fù)區(qū)域不符合現(xiàn)實(shí)邏輯。在進(jìn)行圖像修復(fù)篡改后，同樣對(duì)篡改圖像進(jìn)行后處理達(dá)到弱化篡改痕跡的目的，提高圖像質(zhì)量。對(duì)每幅修復(fù)篡改圖像，都提供了對(duì)應(yīng)的修復(fù)區(qū)域的掩膜，圖3 展示了修復(fù)篡改圖像及其對(duì)應(yīng)的修復(fù)區(qū)域掩膜的示例。

圖3 修復(fù)篡改圖像及掩膜示例Fig.3 Samples of inpainting forgery images and mask（（a）original images；（b）inpainting forgery images；（c）masks）

1.3 數(shù)據(jù)集特點(diǎn)

本文提出的SSRGFD數(shù)據(jù)集具有以下特點(diǎn)：

1）面向雙目超分辨率圖像。以往的圖像篡改數(shù)據(jù)集主要關(guān)注單目圖像上的篡改操作，盡管已經(jīng)存在許多類型豐富、數(shù)據(jù)規(guī)模大的篡改圖像數(shù)據(jù)集，但依舊缺乏針對(duì)雙目超分辨率圖像的篡改數(shù)據(jù)集，難以滿足各方向研究對(duì)數(shù)據(jù)的需求。本文提出的SSRGFD 數(shù)據(jù)集為雙目超分辨率圖像通用篡改檢測(cè)研究工作提供了可靠依據(jù)。

2）圖像內(nèi)容豐富。SSRGFD 中的所有圖像具有高分辨率，涵蓋了現(xiàn)實(shí)中的各種場(chǎng)景。圖像的篡改對(duì)象都經(jīng)由人工設(shè)計(jì)，而且大部分篡改圖像都經(jīng)過(guò)后處理操作隱藏篡改痕跡，篡改圖像具有較高的視覺(jué)質(zhì)量，能夠較好地?cái)M合真實(shí)的篡改情景。

3）類別分布均衡。每種類型的篡改圖像的數(shù)量比較接近，不容易出現(xiàn)過(guò)度依賴不均衡的數(shù)據(jù)樣本導(dǎo)致過(guò)擬合的問(wèn)題，能夠應(yīng)用于雙目超分辨率圖像的通用篡改檢測(cè)研究工作中。

2 數(shù)據(jù)集圖像視覺(jué)質(zhì)量評(píng)估

隨著圖像編輯軟件和技術(shù)的發(fā)展，真實(shí)場(chǎng)景中的篡改圖像的視覺(jué)質(zhì)量越來(lái)越高，人眼越來(lái)越難以察覺(jué)篡改圖像，為圖像篡改檢測(cè)任務(wù)帶來(lái)了更大的挑戰(zhàn)。為此，對(duì)本文提出的SSRGFD 數(shù)據(jù)集從主觀和客觀兩方面進(jìn)行圖像視覺(jué)質(zhì)量評(píng)估，驗(yàn)證SSRGFD數(shù)據(jù)集中篡改圖像的視覺(jué)質(zhì)量。

2.1 主觀圖像質(zhì)量評(píng)估

圖像質(zhì)量主觀評(píng)價(jià)以人為觀測(cè)主體，根據(jù)視覺(jué)系統(tǒng)對(duì)圖像質(zhì)量做出主觀評(píng)價(jià)，能夠真實(shí)反映人對(duì)圖像的視覺(jué)感知。主觀圖像質(zhì)量評(píng)價(jià)方法主要分為絕對(duì)評(píng)價(jià)法和相對(duì)評(píng)價(jià)法兩類。

絕對(duì)評(píng)價(jià)法在對(duì)圖像質(zhì)量進(jìn)行評(píng)價(jià)時(shí)需要將待評(píng)價(jià)圖像與客觀參考圖像進(jìn)行比較，對(duì)圖像質(zhì)量作出絕對(duì)好壞的評(píng)價(jià)；相對(duì)評(píng)價(jià)法則不需要參考圖像，由評(píng)價(jià)者對(duì)一批待評(píng)價(jià)圖像進(jìn)行互相比較，給出每幅圖像的質(zhì)量?jī)?yōu)劣順序。為了對(duì)不同篡改類型的篡改圖像質(zhì)量進(jìn)行主觀質(zhì)量評(píng)估，實(shí)驗(yàn)采用國(guó)家廣播電視總局（2021）超高清晰度電視圖像質(zhì)量主觀評(píng)價(jià)方法中的雙刺激連續(xù)質(zhì)量分級(jí)法DSCQS（double stimulus continuous quality scale）對(duì)數(shù)據(jù)集圖像進(jìn)行主觀質(zhì)量評(píng)價(jià)，通過(guò)將待評(píng)估的篡改圖像和對(duì)應(yīng)篡改前的真實(shí)圖像作為參考基準(zhǔn)交替展示給評(píng)估者，評(píng)估者在不知道哪幅是篡改圖像的前提下對(duì)篡改前后的圖像進(jìn)行直接的質(zhì)量比較，對(duì)篡改圖像和真實(shí)圖像的視覺(jué)質(zhì)量進(jìn)行打分，計(jì)算真實(shí)圖像和篡改圖像的平均主觀得分差作為該篡改圖像的圖像質(zhì)量評(píng)分結(jié)果。通過(guò)這種方式能夠最大程度地降低圖像場(chǎng)景、情節(jié)等對(duì)主觀測(cè)評(píng)的影響，主觀圖像質(zhì)量的評(píng)價(jià)尺度共分為5 個(gè)評(píng)級(jí)：1）十分嚴(yán)重妨礙觀看；2）清楚看出圖像質(zhì)量下降，對(duì)觀看稍有妨礙；3）圖像質(zhì)量有所下降，但不妨礙觀看；4）觀看有妨礙圖像時(shí)，質(zhì)量有所下降，但不妨礙觀看；5）絲毫看不出圖像變化。以上5個(gè)評(píng)級(jí)的對(duì)應(yīng)評(píng)分為1～5分。

實(shí)驗(yàn)分別從3 種篡改類型的圖像中各選擇了30 對(duì)篡改圖像和真實(shí)圖像對(duì)，邀請(qǐng)了數(shù)字取證領(lǐng)域相關(guān)和無(wú)關(guān)的評(píng)估者共15 名交替觀看篡改圖像和真實(shí)圖像，并對(duì)篡改圖像質(zhì)量打分。評(píng)估員對(duì)篡改圖像和真實(shí)圖像給出的評(píng)分差值的均值將作為各類篡改圖像的主觀視覺(jué)質(zhì)量評(píng)分結(jié)果。

圖4 展示了不同類型篡改圖像的平均評(píng)分差異的均值?？梢园l(fā)現(xiàn)，評(píng)估者給出的圖像對(duì)平均評(píng)分差異基本都低于1.5。其中，復(fù)制黏貼篡改圖像的可視篡改痕跡最小，復(fù)制黏貼圖像對(duì)的平均評(píng)分大部分低于0.5。通過(guò)深度學(xué)習(xí)算法重建圖像殘缺區(qū)域時(shí)更關(guān)注圖像像素的分布特征，對(duì)人類主觀視覺(jué)質(zhì)量考慮較少，導(dǎo)致篡改圖像存在較為明顯的篡改痕跡，重建圖像區(qū)域像素的修復(fù)篡改圖像對(duì)的評(píng)分差異較大。而通過(guò)Photoshop 人工移除目標(biāo)對(duì)象進(jìn)行修復(fù)篡改時(shí)，能夠更好地滿足對(duì)圖像主觀視覺(jué)質(zhì)量的要求，評(píng)分差異基本小于1。通過(guò)對(duì)篡改圖像的主觀質(zhì)量評(píng)價(jià)實(shí)驗(yàn)，說(shuō)明了SSRGFD 數(shù)據(jù)集能夠保持良好的主觀視覺(jué)質(zhì)量，有效貼合真實(shí)篡改場(chǎng)景。

圖4 SSRGFD篡改圖像和真實(shí)圖像對(duì)主觀質(zhì)量平均評(píng)分差異Fig.4 The mean of subjective quality scores difference between tampering images and the real images of SSRGFD

2.2 客觀圖像質(zhì)量評(píng)估

圖像客觀質(zhì)量評(píng)價(jià)可分為全參考、半?yún)⒖己蜔o(wú)參考3 種類型。其中全參考和半?yún)⒖荚u(píng)價(jià)方法都需要理想圖像或其特征作為參考對(duì)待評(píng)價(jià)圖像進(jìn)行質(zhì)量分析。在實(shí)際的篡改場(chǎng)景中，通常無(wú)法獲取篡改前的真實(shí)圖像，因此實(shí)驗(yàn)選擇無(wú)參考評(píng)價(jià)方法，脫離對(duì)參考圖像的依賴，直接對(duì)待評(píng)價(jià)圖像進(jìn)行客觀質(zhì)量評(píng)價(jià)，實(shí)驗(yàn)考 慮BRISQUE（blind∕referenceless image spatial quality evaluator）（Mittal 等，2012）、NIQE（natural image quality evaluator）（Mittal 等，2013）和PIQE（parent institute for quality education）（Venkatanath 等，2015）3 個(gè)無(wú)參考圖像質(zhì)量指標(biāo)。BRISQUE 是一種無(wú)參考的空間域圖像質(zhì)量評(píng)估算法，通過(guò)將從圖像空域中提取的MSCN（mean subtracted contrast normalized）系數(shù)擬合為非對(duì)稱性廣義高斯分布后提取出特征向量，使用支持向量機(jī)（support vector machine，SVM）進(jìn)行分類給出質(zhì)量評(píng)估。NIQE 基于NSS（natural scene statistics）模型得到一組圖像質(zhì)量感知特征，將其擬合到MVG（multivariate Gaussian model）模型中，將該模型與從自然圖像中提取的質(zhì)量感知特征的MVG 模型之間的距離作為質(zhì)量評(píng)價(jià)指標(biāo)。PIQE 則在圖像塊級(jí)別從感知上顯著的空間區(qū)域來(lái)估計(jì)圖像質(zhì)量。

表3 展示了篡改圖像和真實(shí)圖像的無(wú)參考圖像質(zhì)量評(píng)估分?jǐn)?shù)均值。3 種無(wú)參考圖像質(zhì)量評(píng)價(jià)方法的評(píng)估分值越低，說(shuō)明圖像質(zhì)量越好。從表3 數(shù)據(jù)可以發(fā)現(xiàn)，雙目超分辨率真實(shí)圖像與SSRGFD 的篡改圖像的無(wú)參考圖像質(zhì)量評(píng)估結(jié)果十分接近，表明SSRGFD 雙目超分辨率圖像篡改數(shù)據(jù)集具有良好的圖像質(zhì)量。尤其是復(fù)制黏貼篡改圖像，由于復(fù)制區(qū)域和黏貼區(qū)域同源，篡改內(nèi)容和非篡改內(nèi)容的像素強(qiáng)度分布相似，復(fù)制黏貼篡改操作對(duì)圖像像素強(qiáng)度分布的影響最小，在BRISQUE 和NIQE 上的評(píng)價(jià)結(jié)果也都較好?？梢钥吹?，盡管SSRGFD 中不同類型的篡改圖像由不同的篡改標(biāo)準(zhǔn)生成，不同篡改類型的篡改圖像的評(píng)價(jià)結(jié)果都非常接近，表明篡改圖像質(zhì)量受篡改類別的影響較小。此外，對(duì)于圖像修復(fù)篡改圖像，基于深度學(xué)習(xí)修復(fù)算法HiFill 合成和基于Photoshop 人工篡改在不同的無(wú)參考圖像質(zhì)量評(píng)價(jià)方法上有不同的表現(xiàn)。這是由于HiFill 通過(guò)學(xué)習(xí)圖像背景像素分布來(lái)合成修復(fù)篡改區(qū)域，篡改區(qū)域和真實(shí)圖像具有相似的分布，在基于圖像空域統(tǒng)計(jì)規(guī)律的BRISQUE 和NIQE 方法具有更好的評(píng)估結(jié)果。而利用Photoshop 進(jìn)行人工篡改時(shí)會(huì)更關(guān)注圖像顯著部分的篡改效果，因此，相比基于深度學(xué)習(xí)算法的修復(fù)篡改圖像，手動(dòng)篡改的修復(fù)圖像在PIQE 方法上取得更好的結(jié)果?？陀^圖像質(zhì)量評(píng)估實(shí)驗(yàn)驗(yàn)證了SSRGFD 數(shù)據(jù)集在不同篡改類別圖像都能保持良好的視覺(jué)質(zhì)量，表明了本文對(duì)不同篡改類型提出的篡改標(biāo)準(zhǔn)的有效性，進(jìn)一步說(shuō)明了SSRGFD 有效擬合現(xiàn)實(shí)的篡改場(chǎng)景，能夠?yàn)殡p目超分辨率圖像帶來(lái)新的挑戰(zhàn)。

表3 雙目超分辨率篡改圖像和真實(shí)圖像的無(wú)參考質(zhì)量平均評(píng)估分?jǐn)?shù)Table 3 The mean of no-reference image quality evaluation scores on SSRGFD

3 數(shù)據(jù)集檢測(cè)性能評(píng)估

為了驗(yàn)證雙目超分辨率圖像對(duì)現(xiàn)有圖像篡改檢測(cè)技術(shù)的沖擊，本文考慮MantraNet（manipulation tracing network）（Wu 等，2019）、RRU-Net（ringed residual U-Net）（Bi 等，2019）、QMPPNet（Yin 等，2021）和DenseFCN（dense fully convolutional network）（Zhuang 等，2021）4 個(gè)有效的深度學(xué)習(xí)篡改檢測(cè)模型，分別在本文提出的SSRGFD 雙目超分辨率圖像通用篡改檢測(cè)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)評(píng)估。

MantraNet 將篡改定位問(wèn)題轉(zhuǎn)化為局部異常檢測(cè)問(wèn)題，使用Z-score 特征標(biāo)準(zhǔn)化圖像局部異常特征，使用長(zhǎng)短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）從不同分辨率匯聚特征圖得到最終的檢測(cè)結(jié)果。RRU-Net 是一個(gè)圖像分割網(wǎng)絡(luò)，針對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)使用圖像塊作為輸入容易丟失上下文信息的問(wèn)題，通過(guò)環(huán)形殘差U-Net 結(jié)構(gòu)充分利用圖像空間域上下文信息有效減小檢測(cè)誤差。QMPPNet 是一個(gè)多任務(wù)預(yù)測(cè)金字塔網(wǎng)絡(luò)，設(shè)計(jì)了專門的塊預(yù)測(cè)模塊和特征正則化方法Pixel Norm，通過(guò)提取篡改塊和非篡改塊的統(tǒng)計(jì)分布，由粗到細(xì)的定位篡改區(qū)域的邊緣，最后結(jié)合語(yǔ)義分割網(wǎng)絡(luò)，進(jìn)一步提升定位的精確度。DenseFCN 是一個(gè)多維密集特征連接的端到端網(wǎng)絡(luò)，設(shè)計(jì)了金字塔特征提取器（pyramid feature extractor，PFE）來(lái)提取多維和多尺度的密度特征，通過(guò)相關(guān)特征匹配FCM（fuzzy C-means）學(xué)習(xí)深度特征的相關(guān)性后，進(jìn)行分層后處理（hierarchical post-processing，HPP），能夠高效率地保持高檢測(cè)性能。實(shí)驗(yàn)中各神經(jīng)網(wǎng)絡(luò)模型所使用參數(shù)、輸入圖像尺寸與原方法設(shè)置一致。實(shí)驗(yàn)硬件配置為Intel Xeon Gold 6161 CPU，主頻2.20 GHz，內(nèi)存128 GB，顯卡為GeForce RTX 3090 GPU。

實(shí)驗(yàn)使用查準(zhǔn)率（precision）、召回率（recall）、像素級(jí)F1 分?jǐn)?shù)（F1-score）、馬修斯相關(guān)系數(shù)（Matthews correlation coefficient，MCC）和交并比（intersection over union，IoU）5 個(gè)性能評(píng)估指標(biāo)。在篡改檢測(cè)任務(wù)中，precision 代表預(yù)測(cè)的篡改像素中正確預(yù)測(cè)的準(zhǔn)確率，recall反映了正確預(yù)測(cè)的篡改像素占所有篡改像素的準(zhǔn)確率，F(xiàn)1 分?jǐn)?shù)綜合考慮查準(zhǔn)率和召回率，F(xiàn)1值越高代表性能越好。MCC系數(shù)的值在-1和1 之間，取值大小表示分類器的分類性能，常用于類別不均衡分類問(wèn)題。IoU 即預(yù)測(cè)的篡改區(qū)域與實(shí)際篡改區(qū)域交集面積和并集面積之比，與F1 分?jǐn)?shù)正相關(guān)。

表4 展示了4 個(gè)有效的圖像篡改檢測(cè)深度學(xué)習(xí)模型在SSRGFD 數(shù)據(jù)集上的檢測(cè)性能。QMPPNet 在各個(gè)指標(biāo)上都達(dá)到最優(yōu)性能。但這些方法在SSRGFD 上的檢測(cè)性能遠(yuǎn)不如它們?cè)趩文繄D像篡改數(shù)據(jù)集上的性能。從圖5 可以看到，現(xiàn)有的圖像篡改檢測(cè)方法都受到了雙目超分辨率圖像的影響。MantraNet 將圖像篡改痕跡應(yīng)用于異常檢測(cè)任務(wù)中，盡管雙目超分辨率圖像未經(jīng)過(guò)惡意篡改，但通過(guò)雙目超分辨率技術(shù)合成雙目超分辨率圖像的過(guò)程會(huì)不可避免地在合成圖像中引入圖像處理操作痕跡，導(dǎo)致MantraNet 對(duì)非篡改區(qū)域具有較高的誤檢率。雖然RRU-Net 準(zhǔn)確率不高，但能夠較為有效地檢測(cè)出篡改區(qū)域?；谡Z(yǔ)義分割和邊緣特征的QMPPNet具有最為準(zhǔn)確的檢測(cè)結(jié)果。但如圖5中QMPPNet的檢測(cè)結(jié)果所示，當(dāng)圖像內(nèi)容影響邊緣檢測(cè)的結(jié)果時(shí)，結(jié)合語(yǔ)義信息進(jìn)行篡改定位容易產(chǎn)生較大的誤檢區(qū)域，這也造成了QMPPNet 的假陽(yáng)性過(guò)高。雖然DenseFCN 的準(zhǔn)確率為32.21%，但其召回率卻高達(dá)89.61%。從檢測(cè)結(jié)果來(lái)看，DenseFCN 容易將非篡改區(qū)域誤判為篡改區(qū)域，這也體現(xiàn)了雙目超分辨率圖像特性對(duì)現(xiàn)有篡改檢測(cè)方法的影響。深度學(xué)習(xí)模型在常見(jiàn)單目圖像篡改數(shù)據(jù)集CASIA v2 和DEFACTO 中的表現(xiàn)如表5 所示。其中，針對(duì)拼接篡改檢測(cè)的RRU-Net和針對(duì)篡改邊緣特征的QMPPNet在這兩個(gè)以拼接篡改圖像為主的數(shù)據(jù)集上的性能優(yōu)于其他兩個(gè)深度模型。從表4 與表5 的性能對(duì)比可以看出，雙目超分辨率圖像對(duì)現(xiàn)有圖像篡改檢測(cè)方法性能造成了很大的影響，現(xiàn)有的圖像篡改檢測(cè)方法難以在雙目超分辨率圖像上取得理想效果。對(duì)比結(jié)果表明，現(xiàn)今亟需展開(kāi)對(duì)雙目超分辨率圖像的篡改檢測(cè)研究工作，以保障雙目超分辨率圖像的安全性問(wèn)題。

圖5 圖像篡改檢測(cè)方法在SSRGFD的檢測(cè)結(jié)果展示Fig.5 Results of image tampering detection methods on SSRGFD（（a）original images；（b）mask；（c）MantraNet；（d）RRU-Net；（e）QMPPNet；（f）DenseFCN）

表4 圖像篡改檢測(cè)方法在SSRGFD的檢測(cè)性能Table 4 Performance of image tampering detection methods on SSRGFD

表5 圖像篡改檢測(cè)方法在CASIA和DEFACTO的檢測(cè)性能Table 5 Performance of image tampering detection methods on CASIA and DEFACTO

實(shí)驗(yàn)表明，現(xiàn)有的通用圖像篡改檢測(cè)方法在雙目超分辨率圖像篡改數(shù)據(jù)集上往往無(wú)法達(dá)到預(yù)期性能，難以有效地定位篡改區(qū)域。同時(shí)，由于雙目超分辨率圖像和單目圖像定位具有不同的圖像特征，會(huì)對(duì)基于圖像特征和操作痕跡進(jìn)行篡改檢測(cè)的方法造成一定的影響。實(shí)驗(yàn)充分展示了在雙目超分辨率圖像上展開(kāi)篡改檢測(cè)和研究的需要，也說(shuō)明了本文構(gòu)建的雙目超分辨率圖像通用篡改檢測(cè)數(shù)據(jù)集SSRGFD的重要性。

4 數(shù)據(jù)集應(yīng)用及展望

雙目成像設(shè)備的推廣和圖像超分辨率技術(shù)的發(fā)展給現(xiàn)有的圖像篡改檢測(cè)技術(shù)帶來(lái)了新的挑戰(zhàn)。實(shí)驗(yàn)驗(yàn)證了目前面向單目圖像的深度學(xué)習(xí)檢測(cè)模型不適用于具有不同圖像特征的雙目超分辨率圖像的篡改檢測(cè)問(wèn)題，雙目超分辨率圖像的安全受到威脅。為此，本文提出的SSRGFD 數(shù)據(jù)集能夠應(yīng)用于雙目超分辨率圖像篡改檢測(cè)的研究工作中，為領(lǐng)域研究和技術(shù)評(píng)估提供了數(shù)據(jù)基礎(chǔ)。

針對(duì)雙目超分辨率圖像和單目圖像的差異性，將來(lái)在SSRGFD 數(shù)據(jù)集上進(jìn)行圖像篡改檢測(cè)研究時(shí)可以在以下方向展開(kāi)工作：

1）挖掘獨(dú)立于圖像特性的篡改痕跡。雙目超分辨率圖像的特性很大程度上影響了現(xiàn)有篡改檢測(cè)方法的性能，基于獨(dú)立于圖像特性的篡改痕跡，能夠設(shè)計(jì)實(shí)現(xiàn)同時(shí)應(yīng)用在單目圖像和雙目超分辨率圖像上的篡改檢測(cè)方法，更有效地保障數(shù)字圖像安全。

2）高效的通用檢測(cè)方法。單一類型的篡改檢測(cè)方法面對(duì)多種篡改方式的檢測(cè)效率越來(lái)越低，為應(yīng)對(duì)實(shí)際場(chǎng)景中層出不窮的篡改手段和場(chǎng)景，如何更好地結(jié)合多種可用篡改特征和方法也是雙目超分辨率圖像篡改檢測(cè)的重要研究方向之一。

5 結(jié)論

針對(duì)目前缺乏雙目超分辨率圖像篡改數(shù)據(jù)集的問(wèn)題，本文構(gòu)建了SSRGFD 雙目超分辨率圖像篡改數(shù)據(jù)集，包含復(fù)制黏貼、拼接和修復(fù)3 種常見(jiàn)篡改類型的篡改圖像，每幅篡改圖像都有對(duì)應(yīng)篡改區(qū)域的掩膜。本文為每種篡改類型設(shè)計(jì)了不同篡改標(biāo)準(zhǔn)，通過(guò)Photoshop 或深度學(xué)習(xí)算法得到圖像內(nèi)容豐富且具有較高的視覺(jué)質(zhì)量的篡改圖像。

實(shí)驗(yàn)結(jié)果表明，本文提出的雙目超分辨率圖像篡改數(shù)據(jù)集SSRGFD 具有較高的圖像質(zhì)量，能夠有效擬合真實(shí)篡改場(chǎng)景，使得圖像篡改檢測(cè)任務(wù)更具有挑戰(zhàn)性?，F(xiàn)有主流圖像篡改檢測(cè)方法在SSRGFD 上的實(shí)驗(yàn)評(píng)估，展示了雙目超分辨率圖像對(duì)現(xiàn)有圖像篡改檢測(cè)技術(shù)有效性造成的沖擊和影響，亟需展開(kāi)面向雙目超分辨率圖像的篡改檢測(cè)技術(shù)的研究。本文提出的SSRGFD 數(shù)據(jù)集能夠?yàn)殡p目超分辨率圖像篡改檢測(cè)的研究工作提供良好的參考依據(jù)。