Detecting and localizing image splicing has become essential to fight against malicious forgery. A major challenge to localize spliced areas is to discriminate between authentic and tampered regions with intrinsic properties such as compression artifacts. We propose CAT-Net, an end-to-end fully convolutional neural network including RGB and DCT streams, to learn forensic features of compression artifacts on RGB and DCT domains jointly. Each stream considers multiple resolutions to deal with spliced object’s various shapes and sizes. The DCT stream is pretrained on double JPEG detection to utilize JPEG artifacts. The proposed method outperforms state-of-the-art neural networks for localizing spliced regions in JPEG or non-JPEG images.
이미지 편집 기술과 이미지를 공유할 수 있는 인터넷 환경의 발달로 인해 디지털 이미지의 악의적인 위조를 막는 것이 중요해졌다. 스플라이싱은 한 이미지의 특정 영역을 복사해서 다른 이미지 위에 붙여 넣는 이미지 조작 방법이다. 스플라이싱 된 부분을 특정하기 위해서는 원본 영역과 조작된 영역 사이의 압축 흔적과 같은 미세한 차이를 구분하는 능력이 필요하다. 이 논문에서는 스플라이싱 탐지와 영역 특정을 위해 종단간 학습되는 완전 합성곱 인공 신경망인 '압축 흔적 추적 신경망'을 제안한다. 이 신경망은 적녹청 줄기와 이산 코사인 변환 줄기로 이루어져 있어서, 이미지가 일반적으로 표현되는 적녹청 도메인과 JPEG 압축이 이루어지는 이산 코사인 변환 도메인의 압축 흔적을 함께 학습한다. 오려붙여진 물체의 다양한 모양과 크기에 대응하기 위해 각 줄기는 여러 해상도를 고려한다. 이산 코사인 변환 줄기는 JPEG 압축 흔적을 활용하기 위해 JPEG 이중 압축 탐지 작업으로 사전 학습된다. 제안하는 신경망은 JPEG 이미지뿐만 아니라 다른 형식의 이미지에서도 스플라이싱 영역을 특정하는 문제에서 최첨단 신경망의 성능을 뛰어넘었다.
