[论文解读] Robust Contrast Enhancement Forensics Using Pixel and Histogram Domain CNNs

Pengpeng Yang, Rongrong Ni+3 more|arXiv (Cornell University)|Mar 13, 2018

Digital Media Forensic Detection参考文献 12被引用 4

一句话总结

本文提出两种基于深度学习的对比度增强（CE）取证方法——P-CNN（像素域）和H-CNN（直方图域），采用端到端卷积神经网络，以鲁棒地检测CE操作。该方法在无需额外处理的情况下实现了最先进的检测性能，并对预-JPEG压缩和反取证攻击表现出强鲁棒性。

ABSTRACT

Contrast enhancement (CE) forensics has always been ofconcern to image forensics community. It can provide aneffective tool for recovering image history and identifyingtampered images. Although several CE forensic algorithmshave been proposed, their robustness against some processingis still unsatisfactory, such as JPEG compression and anti-forensic attacks. In order to attenuate such deficiency, inthis paper we first present a discriminability analysis of CEforensics in pixel and gray level histogram domains. Then, insuch two domains, two end-to-end methods based on convo-lutional neural networks (P-CNN, H-CNN) are proposed toachieve robust CE forensics against pre-JPEG compressionand anti-forensics attacks. Experimental results show that theproposed methods achieve much better performance than thestate-of-the-art schemes for CE detection in the case of noother operation and comparable performance when pre-JPEGcompression and anti-foresics attacks is used.

研究动机与目标

• 解决现有对比度增强取证方法在预-JPEG压缩和反取证攻击下鲁棒性不足的问题。
• 提升在图像处理操作导致CE指纹被掩盖情况下的检测准确率。
• 开发端到端的深度学习模型，能够直接从原始像素和归一化灰度级直方图中学习判别性特征。
• 确保在不同伽马校正水平和多样化图像内容下的稳定性。

提出的方法

• 提出P-CNN，一种像素域CNN，通过应用高通滤波和批量归一化，降低图像内容影响并平衡数据分布。
• 设计一种自定义CNN架构，通过经验优化的宽度增强像素域中CE检测的特征表示能力。
• 提出H-CNN，一种直方图域CNN，以256维归一化灰度级直方图为输入，检测CE引起的峰值与间隙。
• 采用端到端训练，无需手工统计量，直接学习判别性特征，从而增强对预处理的鲁棒性。
• 引入伽马校正建模，分析像素域中的可分性，其中 $ D_{\text{max}} $ 作为 $ \gamma $ 的函数被推导，以指导特征学习。
• 通过在JPEG压缩图像和反取证攻击下的受控实验验证鲁棒性，使用QF值（50, 70）及多种反取证技术。

实验结果

研究问题

• RQ1 在像素域和直方图域训练的深度学习模型，是否能相比传统手工特征方法，在检测对比度增强图像方面实现更优的鲁棒性？
• RQ2 预-JPEG压缩和反取证攻击在多大程度上影响现有CE取证技术的性能？
• RQ3 P-CNN与H-CNN在不同伽马校正水平和图像处理条件下，能在多大程度上保持高检测准确率？
• RQ4 训练数据规模是否显著影响P-CNN与H-CNN在CE取证中的性能？

主要发现

• 在 $ \gamma = 0.6 $ 时，H-CNN无需任何额外处理即可实现99.90%的检测准确率，优于最先进方法Li[5]（99.11%）的性能。
• 在反取证攻击[14]下，H-CNN在 $ \gamma = 0.6 $ 时仍保持98.82%的准确率，而De Rosa[9]下降至69.85%，Cao[4]则完全失效。
• 在预-JPEG压缩QF=50条件下，P-CNN与H-CNN均实现99.9%的准确率，与Li[5]性能相当，而De Rosa[9]下降至70.26%。
• P-CNN在基于直方图操作的反取证攻击下表现出更优鲁棒性，$ \gamma = 0.6 $ 时准确率达98.6%，而H-CNN在相同攻击下显著下降至88.77%。
• P-CNN的性能随训练数据规模增大而提升，表明数据规模与检测准确率之间存在正相关关系。
• 由于参数量较少且输入表示更紧凑（256D直方图），H-CNN对训练数据规模的敏感性较低。