HND-DPNet:用于图像伪造检测的异构噪声解耦双路径注意力网络OA
针对现有图像伪造检测方法泛化能力不足的问题,提出异构噪声解耦双路径注意力网络(heterogeneous noise disentangled dual-path attention network,HND-DPNet)模型。首先,构造异构噪声分析前端,采用简化式与分离式空间富模型(spatial rich model,SRM)并行提取互补的鲁棒噪声指纹;随后,通过双路径的多尺度轻量级空间-通道注意力(multi-scale lightweight spatial-channel attention,MLSCA)模块实现多尺度特征的提取、自适应增强及跨尺度融合;此外,引入混合损失函数,在增强伪造痕迹辨识能力的同时稳定梯度更新。泛化性实验结果表明,HND-DPNet模型的平均精确率均值(mean average precision,mAP)达到98.0%;联合图像专家组(joint photographic experts group,JPEG)压缩和下采样处理的鲁棒性实验结果表明,mAP值分别为91.2%和72.0%。HND-DPNet模型在多种伪造场景中均表现出较强的泛化能力与鲁棒性,能够为深度伪造内容监管与数字媒体取证提供有力的技术支撑。
朱莲;张乾;金海艳
贵州民族大学数据科学与信息工程学院,贵阳550025 贵州民族大学贵州省模式识别与智能系统重点实验室,贵阳550025贵州民族大学数据科学与信息工程学院,贵阳550025 贵州警察学院计算机科学系,贵阳550000贵州民族大学数据科学与信息工程学院,贵阳550025 贵州民族大学贵州省模式识别与智能系统重点实验室,贵阳550025
信息技术与安全科学
图像伪造检测空间富模型双路径空间-通道注意力混合损失函数泛化性
《湖北民族大学学报(自然科学版)》 2026 (3)
P.345-351,7
贵州省自然科学基金项目(黔科合基础MS〔2026〕277)贵州省研究生教育创新计划项目(2025YJSKYJJ184)贵州民族大学校级科研项目(GZMUZK[2021]YB23,GZMUZK[2023]QN10)。
评论