基于跳跃连接注意力的改进U-Net图像篡改区域分割OA

在数字取证与信息安全领域,图像篡改检测具有重要意义.深度学习的快速发展推动了基于图像分割的篡改区域定位方法的研究,其中,U-Net结构凭借其高效的编码—解码特性,广泛应用于像素级预测任务.但是,在复杂背景和细微篡改场景中,标准U-Net存在特征表达不足和在跳跃连接传递过程中引入冗余信息等问题.因此,本文提出一种结合轻量化卷积网络与跳跃连接注意力(Skip Connection Attention,SCA)机制的改进U-Net模型,以提升特征提取能力和篡改区域的判别性.试验结果表明,本文方法的分割精度与鲁棒性均优于原始 U-Net,为图像篡改检测提供了一种高效、可行的解决方案.