[论文解读] High dynamic range image forensics using cnn

Yongqing Huo, Xiaofeng Zhu|arXiv (Cornell University)|Feb 28, 2019

Digital Media Forensic Detection参考文献 13被引用 5

一句话总结

本文提出了一种基于深度学习的高动态范围（HDR）图像取证方法，首次采用卷积神经网络（CNN）来区分从多张低动态范围（LDR）图像合成的HDR图像与通过单张LDR图像逆色调映射生成的HDR图像。该方法通过定制的CNN架构学习统计特征的变化，在源图像识别任务中表现优于传统统计方法。

ABSTRACT

High dynamic range (HDR) imaging has recently drawn much attention in multimedia community. In this paper, we proposed a HDR image forensics method based on convolutional neural network (CNN).To our best knowledge, this is the first time to apply deep learning method on HDR image forensics. The proposed algorithm uses CNN to distinguish HDR images generated by multiple low dynamic range (LDR) images from that expanded by single LDR image using inverse tone mapping (iTM). To do this, we learn the change of statistical characteristics extracted by the proposed CNN architectures and classify two kinds of HDR images. Comparision results with some traditional statistical characteristics shows efficiency of the proposed method in HDR image source identification.

研究动机与目标

• 解决HDR图像取证领域中深度学习方法的缺失问题。
• 识别HDR图像的来源——具体而言，判断其是来自多张LDR图像的合成，还是通过单张LDR图像的逆色调映射生成。
• 利用端到端的深度学习方法提高HDR图像源识别的准确性。
• 通过基于CNN的框架分析并分类HDR图像统计特性的变化。

提出的方法

• 设计了一种定制的卷积神经网络（CNN）架构，用于提取并学习HDR图像中的统计特征变化。
• 网络被训练以将HDR图像分为两类：由多张LDR图像生成的图像和通过单张LDR图像逆色调映射（iTM）生成的图像。
• 利用CNN的分层特征提取能力，对两类图像的HDR图像统计特性进行学习与比较。
• 在已知生成来源的HDR图像数据集上进行模型的训练与评估，采用监督分类方法。
• 该方法利用CNN的分层表征学习能力，检测传统手工特征难以捕捉的图像统计细微差异。
• 通过与传统统计特征方法对比评估性能，证明其在分类准确率上的优越性。

实验结果

研究问题

• RQ1 深度学习模型能否有效区分由多张LDR图像合成的HDR图像与通过单张LDR图像逆色调映射生成的HDR图像？
• RQ2 多LDR与单LDR生成源的HDR图像在统计特性上存在哪些差异？这些差异能否被CNN有效捕捉？
• RQ3 基于CNN的方法在HDR图像源识别任务中是否优于传统统计特征方法？
• RQ4 端到端深度学习相较于经典取证技术，在HDR图像取证中能带来多大程度的性能提升？

主要发现

• 所提出的基于CNN的方法在区分HDR图像源方面，分类准确率高于传统统计特征方法。
• 该模型成功学习并利用了不同生成过程中产生的HDR图像的细微统计差异。
• 深度学习的使用实现了自动且鲁棒的特征学习，减少了对人工设计统计特征的依赖。
• 结果表明，将CNN应用于HDR图像取证具有可行性与有效性，标志着深度学习在该领域的新应用。