[論文レビュー] SpliceRadar: A Learned Method For Blind Image Forensics

Aurobrata Ghosh, Zheng Zhong+2 more|arXiv (Cornell University)|Jun 27, 2019

Digital Media Forensic Detection参考文献 28被引用数 12

ひとこと要約

SpliceRadarは、出荷元カメラの知識がなくても、カメラ・モデル固有の低レベル特徴を学習する深層学習ベースの盲目的な画像改ざん領域特定手法を提案する。制約付き畳み込みニューラルネットワーク（CNN）を用いて高域フィルタを豊富に学習し、相互情報量に基づく正則化により意味的コンテンツを抑制することで、3つのベンチマークデータセットにおいて、最先端手法よりも最大4%の向上を達成した。

ABSTRACT

Detection and localization of image manipulations like splices are gaining in importance with the easy accessibility of image editing softwares. While detection generates a verdict for an image it provides no insight into the manipulation. Localization helps explain a positive detection by identifying the pixels of the image which have been tampered. We propose a deep learning based method for splice localization without prior knowledge of a test image's camera-model. It comprises a novel approach for learning rich filters and for suppressing image-edges. Additionally, we train our model on a surrogate task of camera model identification, which allows us to leverage large and widely available, unmanipulated, camera-tagged image databases. During inference, we assume that the spliced and host regions come from different camera-models and we segment these regions using a Gaussian-mixture model. Experiments on three test databases demonstrate results on par with and above the state-of-the-art and a good generalization ability to unknown datasets.

研究の動機と目的

• 出荷元カメラ・モデルの事前知識なしに画像スプライシング領域を特定する課題に対処する。
• 未検証データセットにおける既存の深層学習フォレンジックス手法の一般化限界を克服する。
• 高レベルの意味的コンテンツを抑制しながら、低レベルのカメラ固有特徴を学習する手法を開発する。
• 大規模かつ改ざんなし、カメラ識別タグが付与された画像データベースを活用し、カメラ識別をサrogateタスクとして事前学習を行う。
• 学習されたカメラ・モデルの差異に基づいて領域をセグメンテーションするガウス・ミックスチャネル・モデルを用いて、耐障害性の高い改ざん領域特定を実現する。

提案手法

• 画像から残留する低レベル特徴を抽出できる「豊富な」高域フィルタを学習するため、制約付き畳み込みを用いた深層CNNを訓練する。
• トレーニング中に意味的エッジや画像固有のコンテンツを抑制するため、新たな確率的正則化を導入し、相互情報量に基づくものとする。
• ソースカメラ識別をサrogateタスクとして用い、改ざんなしで多様なカメラ識別タグが付与された大規模なデータセットでネットワークを事前学習する。
• 推論段階では、画像全体にわたって低レベル特徴を計算し、学習されたカメラ・モデル固有の特徴差に基づいて領域をセグメンテーションする。
• 学習された特徴を用いて、スプライス領域の可能性を示すヒートマップを生成し、しきい値処理とバイナリゼーションによる後処理を実施する。
• 特徴抽出のステップサイズを48ピクセルに最適化し、計算コストと検出精度のバランスを取る。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、画像の意味的特徴や出荷元カメラの事前知識に依存せずに、低レベルのカメラ固有特徴を学習できるか？
• RQ2 相互情報量に基づく正則化は、意味的コンテンツを効果的に抑制しながらも、低レベルのフォレンジックス特徴を保持できるか？
• RQ3 カメラ識別というサrogateタスクで事前学習したモデルは、未検証の改ざんデータセットへどの程度一般化できるか？
• RQ4 提案手法は、多様なテストデータセットにおいて、検出精度および領域特定精度の両面で最先端技術を上回るか？
• RQ5 複数の最先端手法が失敗するような困難な例に対して、本手法の限界は何か？

主な発見

• DSO-1ではF1スコア0.69を達成し、EXIF-SC（0.57）およびSB（0.66）を上回り、最先端手法比で4%の向上を示した。
• NC16ではF1スコア0.40を達成し、EXIF-SC（0.38）およびSB（0.37）を上回り、一貫した改善を示した。
• NC17-dev1では最良の手法（SB）と同等のF1スコア0.42を達成し、困難なデータでも優れた性能を示した。
• DSO-1ではAUCスコア0.91を記録し、全しきい値で優れたグローバル性能を示した。
• 訓練データとテストデータが無関係であるにもかかわらず、3つのベンチマークすべてで高い性能を維持しており、優れた一般化能力を示した。
• 定性的な結果では、特に複雑または微細なスプライシング事例において、SBやEXIF-SCよりも正確で一貫性のあるヒートマップを生成した。