[논문 리뷰] Block-level Double JPEG Compression Detection for Image Forgery Localization

Vinay Kumar Verma, Deepak Singh외 1명|arXiv (Cornell University)|2020. 03. 20.

Digital Media Forensic Detection인용 수 4

한 줄 요약

이 논문은 양방향 압축 JPEG 블록을 식별하기 위해 DCT 계수 히스토그램과 해당하는 양자화 단계 크기(q-factor)를 조합한 딥러닝 기반 방법을 제안한다. 이는 전체 이미지 복원 없이도 상태최저 성능을 달성하며, 특히 작은 블록과 미리보지 않은 양자화 행렬에 대해서도 효과적이다.

ABSTRACT

Forged images have a ubiquitous presence in today's world due to ease of availability of image manipulation tools. In this letter, we propose a deep learning-based novel approach which utilizes the inherent relationship between DCT coefficient histograms and corresponding quantization step sizes to distinguish between original and forged regions in a JPEG image, based on the detection of single and double compressed blocks, without fully decompressing the JPEG image. We consider a diverse set of 1,120 quantization matrices collected in a recent study as compared to standard 100 quantization matrices for training, testing, and creating realistic forgeries. In particular, we carefully design the input to DenseNet with a specific combination of quantization step sizes and the respective histograms for a JPEG block. Using this input to learn the compression artifacts produces state-of-the-art results for the detection of single and double compressed blocks of sizes $256 imes 256$ and gives better results for smaller blocks of sizes $128 imes 128$ and $64 imes 64$. Consequently, improved forgery localization performances are obtained on realistic forged images. Also, in the case of test blocks compressed with completely different quantization matrices as compared to matrices used in training, the proposed method outperforms the current state-of-the-art.

연구 동기 및 목표

• 단일 및 이중 압축 블록을 식별하여 JPEG 이미지의 위조 영역을 탐지하는 과제를 해결한다.
• 기존 방법이 표준 100개의 양자화 행렬에 의존하는 데에 한계가 있음을 고려해, 최근 연구에서 수집한 1,120개의 실제 세계 Q-행렬을 다양하게 활용한다.
• 복원 없이도 양자화된 DCT 계수에서 직접 압축 아티팩트를 학습함으로써 위조 지역 탐지 정확도를 향상시킨다.
• 실제 이미지 포렌식에 필수적인, 미리보지 않은 양자화 행렬에 대한 일반화 능력을 향상시킨다.
• 작은 블록 크기(64×64, 128×128)에서 뛰어난 성능을 달성하고 현실적인 위조 시나리오에서 강력한 탐지 능력을 확보한다.

제안 방법

• 전체 복원 없이도 JPEG 비트스트림에서 직접 양자화된 DCT 계수를 추출하여 반올림 및 절삭 오차를 방지한다.
• 8×8 블록의 각 64개 주파수 성분에 대해 양자화된 DCT 계수의 히스토그램을 구성한다.
• 각 DCT 주파수 성분에 대응하는 양자화 단계 크기(q-factor)를 모델의 보조 입력 특성으로 사용한다.
• 각 블록에 대해 64개의 히스토그램과 64개 요소로 이루어진 q-factor 벡터를 조합한 특수 입력 텐서를 설계하여 DenseNet에 입력한다.
• DCT 히스토그램과 q-factor의 통합 표현을 기반으로 각 블록이 단일 또는 이중 압축인지 분류할 수 있도록 DenseNet 아키텍처를 훈련시킨다.
• 슬라이딩 윈도우를 사용하여 이미지 전반에 걸쳐 이중 압축 블록 확률을 예측함으로써 위조 지역 탐지에 활용한다.

실험 결과

연구 질문

• RQ1 양자화된 DCT 계수와 q-factor만을 사용하여 딥러닝 모델이 단일 및 이중 압축 JPEG 블록을 효과적으로 구분할 수 있는가?
• RQ2 DCT 히스토그램 외에 q-factor를 함께 통합할 경우, 단독 히스토그램 사용 대비 탐지 성능 향상이 이루어지는가?
• RQ3 학습 중에 등장하지 않은 양자화 행렬에 대해 제안된 방법의 일반화 능력은 어떠한가?
• RQ4 이전의 SOTA 기법보다 작은 블록 크기(64×64, 128×128)에서 더 뛰어난 성능을 달성할 수 있는가?
• RQ5 복사-이동 및 흐림 조작을 포함한 현실적인 위조 시나리오에서, 위조 지역 탐지 정확도 향상 정도는 어느 정도인가?

주요 결과

• q-factor를 사용할 경우 256×256 블록에서 93.73%의 F1 스코어, 128×128 블록에서 91.26%의 F1 스코어를 기록하여 Park et al. [4]의 90.30% 및 87.68%를 크게 초월했다.
• 64×64 블록에서는 q-factor 없이 97.43%의 F1 스코어, q-factor를 사용한 경우 95.68%를 기록하여 작은 블록에서의 성능 향상이 뚜렷했다.
• 복사-이동 위조 탐지에서는 79.92%의 F-측정치를 기록하여 Park et al. [4]의 77.04%를 상회하며 더 나은 지역 탐지 성능을 보였다.
• 흐림 조작 탐지에서는 77.44%의 F-측정치를 기록하여 Park et al. [4]의 74.28%보다 향상되어 미세한 조작도 효과적으로 탐지할 수 있었다.
• 미리보지 않은 Q-행렬 상황에서 92.83%의 테스트 정확도를 기록하여 Park et al. [4]의 86.69%를 뛰어넘어 강력한 일반화 능력을 입증했다.
• 실제 위조 이미지 탐지에서 94.40%의 정확도, 91.87%의 TPR, 96.94%의 TNR을 기록하여 Park et al. [4]의 92.26%, 87.19%, 97.33%를 모두 상회했다.