在这里,我们提出了一种新颖的两流篡改检测框架,该框架不仅可以对视觉篡改伪像(例如,操纵边缘附近的篡改伪像)进行建模,还可以捕获局部噪声特征中的不一致之处。 更具体地说,我们在两流网络中采用Faster R-CNN,并进行端到端训练。 下图总结了我们的方法。 诸如Faster R-CNN之类的深度学习检测模型在检测各种规模的语义对象方面表现出良好的性能。 区域候选网络(RPN)是Faster R-CNN中的组件,负责选择可能包含感兴趣对象的图像区域,并且可以适用于图像篡改检测。 为了将篡改区域与真实区域区分开,我们利用RGB通道的特征来捕获线索,例如篡改边界上的视觉不一致以及篡改区域与真实区域之间的对比效果。 第二个流分析图像中的局部噪声特征。