[论文解读] Robust Contrast Enhancement Forensics Using Convolutional Neural Networks.

Pengpeng Yang, Rongrong Ni+4 more|arXiv (Cornell University)|Mar 13, 2018

Digital Media Forensic Detection被引用 9

一句话总结

本文提出两种端到端卷积神经网络模型 P-CNN 和 H-CNN，用于在 JPEG 压缩和基于直方图的反 forensics 攻击下保持高准确率的鲁棒对比度增强取证。该方法通过利用像素域和直方图域中特征空间稳定性的理论分析，实现了优于当前最先进技术的性能。

ABSTRACT

Contrast enhancement(CE) forensics has always been of concern to image forensics community. It can provide an effective rule for recovering image history and identifying tampered images. Although a number of algorithms have been proposed, the robustness of CE forensics techniques for common pre/post processing is unsatisfactory. Attenuate such deficiency, in this letter we first present a theoretical analysis of the robustness and stability of feature space in pixel and histogram domains. Then, two kinds of end-to-end methods based on convolutional neural networks(P-CNN, H-CNN) are proposed to achieve robust CE forensics when JPEG compression and the histogram-based anti-forensics attack are applied as pre/post processing, respectively. Experimental results show that the proposed methods produce much better performance than the state-of-the-art schemes.

研究动机与目标

• 解决现有对比度增强取证技术在常见预/后处理操作下的鲁棒性不足问题。
• 研究像素域和直方图域中特征空间的稳定性，以指导鲁棒模型设计。
• 开发端到端深度学习模型，使其在 JPEG 压缩和基于直方图的反 forensics 攻击下仍能保持取证准确率。
• 通过增强对比度增强取证的鲁棒性，提高图像取证在检测篡改图像方面的可靠性。

提出的方法

• 对像素域和直方图域中的特征空间稳定性进行理论分析，以指导模型设计。
• 提出 P-CNN，一种基于 CNN 的方法，通过在像素域特征上训练以检测对比度增强伪影。
• 提出 H-CNN，一种基于 CNN 的方法，通过在直方图域特征上训练以检测对比度增强伪影。
• 设计端到端模型，通过联合优化以抵御 JPEG 压缩和基于直方图的反 forensics 技术。
• 使用包含各种预/后处理条件的数据集进行模型训练与评估，以验证其鲁棒性。
• 利用常见图像处理下特征表示的稳定性，以提升泛化能力和检测准确率。

实验结果

研究问题

• RQ1 像素域和直方图域中特征空间的稳定性如何影响对比度增强取证的鲁棒性？
• RQ2 端到端 CNN 模型在 JPEG 压缩下能多大程度上保持检测准确率？
• RQ3 基于直方图的反 forensics 攻击能否有效规避传统对比度增强取证方法？
• RQ4 P-CNN 和 H-CNN 在对抗性处理下检测对比度增强时，与最先进方法相比表现如何？
• RQ5 特定领域特征表示（像素 vs. 直方图）对取证鲁棒性有何影响？

主要发现

• 所提出的 P-CNN 和 H-CNN 模型在 JPEG 压缩下显著优于当前最先进方法的检测性能。
• 由于专注于直方图域特征，H-CNN 在基于直方图的反 forensics 攻击下表现出更强的鲁棒性。
• 理论分析证实，像素域和直方图域中特征空间的稳定性有助于提升模型泛化能力。
• 实验结果表明，端到端 CNN 架构即使在图像经过常见预/后处理时，仍能保持高检测准确率。
• 理论洞见与深度学习设计的结合，显著提升了取证鲁棒性。
• 在干净和对抗性处理场景下，这些模型均优于现有技术，证实了其鲁棒性。