《Knowledge-Based Systems》：TayLoXNet: A Taylor-Inspired Hybrid Loss Function for Xception-Based Image Forgery Detection
编辑推荐：
图像伪造检测通过改进Xception网络引入TaylorSMS损失函数，结合中值滤波预处理，有效降低过拟合并减少假阴性，实验在准确率、真阴性率等指标上达到97.2%以上。
Sujin J S|P. Bhuvaneswari|A.P. Subapriya|Granty Regina Elwin J
助理教授，电子与通信工程系，PSG技术应用研究所/安娜大学，哥印拜陀，泰米尔纳德邦，641 062，印度
摘要
通过修改数字图像来呈现虚假的现实被称为图像伪造。这种修改是通过删除、添加或更改图像中的元素来欺骗观众的。近年来，先进的深度学习（DL）方法被广泛用于检测图像伪造，因为它们能够自动分析图像中的细微不一致性和复杂模式。然而，这些方法经常遇到过拟合问题，并且由于大量的假阴性结果而容易漏检。因此，引入了一种名为Taylor Loss Xception Network（TayLoXNet）的新方法来检测图像伪造。首先，使用中值滤波器对图像进行预处理。提取相关特征后，应用TayLoXNet方法进行图像伪造检测。在这种方法中，通过修改XceptionNet的学习规则并引入Taylor Softmax Mean Square（TaylorSMS）损失函数来实现TayLoXNet。此外，TaylorSMS损失函数是通过将Mean Squared Error（MSE）和SoftMax损失函数结合泰勒级数得到的。新开发的TayLoXNet方法使用最大真阴性率（TNR）、准确率和真阳性率（TPR）进行评估，分别获得了97.227%、97.366%和98.357%的优异结果。
引言
图像取证是一门科学领域，它通过确定图像是否使用声称的设备创建或其当前状态是否与原始获取的图像匹配来帮助我们识别和追踪图像伪造[1]。在图像取证中，采用多种方法处理图像以识别证据、恢复被破坏的证据，并生成适当的报告供法院或其他相关方使用[2]。图像取证方法的基础是这样一个理念：从原始图像到后处理、存储和压缩的整个图像采集和处理过程中，都包含某些内在的统计特征，从而产生独特的记录。因此，图像本身存在的或缺失的或不规则的取证特征可以用来确定图像的来源或判断其是否为真实图像或被修改过[1]。随着深度学习（DL）算法和用户友好的图像编辑软件的进步，图像伪造变得容易实现[3]。改变现有图像的外观、构图或内容以达到预期效果称为图像编辑。这一过程可以涉及从轻微修改到实质性更改的所有内容，而不会显著改变原始图像。现代基于学习的算法已经取代了人工密集型的图像编辑方法[4]。图像编辑过程包括局部修改（如选择性地应用滤镜）或广泛的变化（如颜色/强度校正、变形）[5]。这些伪造图像可以使用免费的编辑软件程序生成，包括Adobe Photoshop、GNU的Not Unix（GNU）和GNU Image Manipulation Program（GIMP），这些软件具有某些高级的图像修改选项[6]。
使用现代深度伪造方法、内容替换或特征修改可以生成难以用肉眼识别的伪造图像。这种图像的广泛传播对公共安全、个人隐私甚至国家安全构成威胁[7]。在高度自动化和相互关联的世界中，数字图像和视频的安全性在医疗成像、按次付费电视、私人视频会议、工业或军事成像方案、密码、在线交易、法律数字签名等领域变得极为重要[8]。虽然图像编辑软件可以让事情变得更有趣，但它也为黑客提供了故意修改图像的机会，从而影响数字安全。因此，检测图像是否被修改至关重要[9]。图像安全是任何行业的主要关注点之一，它保护数字家庭和企业免受犯罪行为和其他安全风险的影响。然而，使用Photoshop和其他强大的图像处理软件来检测伪造图像仍然非常困难[10]。图像伪造检测是信息安全的一个重要方面[11,12]。检测数字图像伪造的目标是利用二分类任务来确定图像是真实的还是伪造的。在数字图像采集和存储的多个阶段获得的特征对于被动图像伪造检测方法非常有利[6]。此外，伪造检测技术分为两类：基于DL的技术和基线方法。然而，这些传统模型的精度和可靠性有限，因为它们主要依赖于人工提取的特征。这些方法完成了一些标准步骤，如图像准备、特征匹配和提取、伪造检测以及后处理[9]。
传统技术的效率往往受到算法选择和参数设置等因素的影响，这导致计算成本高且难以满足实时需求[9]。与现有方法相比，基于DL的模型在实验中表现良好，并且可以在训练过程中自动学习特定特征[12]。DL是机器学习（ML）的重要组成部分，它将图像分类为真实或伪造，以检测伪造的数字图像[13]。在图像处理中，DL是一种强大的工具，在对象去噪、风格迁移、分割、识别、分类和压缩方面取得了显著成果。将DL方法应用于图像安全以解决更经典的问题也引起了广泛关注，并且最近取得了显著进展[14]。图像取证技术的发展得益于DL技术在该领域的广泛应用。在图像取证中，包括卷积神经网络（CNN）在内的DL算法最近取得了优异的结果[9,15]。Copy-Move Forgery Detection（CMFD）是一种基于图像内容的图像伪造检测方法[12]。因此，CMFD方法一直是数字图像取证领域的重要且持续的研究课题，致力于识别和评估伪造图像。然而，目标区域的对比度和亮度与其他区域相同，这使得在整个图像中识别它们变得具有挑战性[16]。
先进的图像编辑工具的广泛可用性使得数字图像可以在不留下可见痕迹的情况下被修改或更改。这些被篡改的图像通常被称为伪造图像，可用于传播虚假信息、损害声誉、制造虚假证据以及在社交媒体、执法、新闻业和科学研究等领域进行欺诈。尽管图像处理技术不断进步，但可靠地检测伪造图像仍然是一项具有挑战性的任务。传统的图像伪造检测方法主要依赖于手工制作的特征和预定义的规则，这限制了它们在识别诸如拼接、复制移动修图和深度伪造生成等类型篡改方面的有效性。尽管基于DL的方法通过学习复杂的图像表示来提高检测性能，但许多现有模型在训练有限的数据集时会出现过拟合问题，导致较高的假阴性率，从而漏检。这些问题降低了当前系统的泛化能力和实际可靠性。因此，迫切需要一个自动化且强大的检测框架来准确识别伪造图像。因此，提出了一种有效的DL方法TayLoXNet，它通过TaylorSMS损失函数增强Xception架构，以减少过拟合、降低假阴性率并提高整体图像伪造检测性能。
提出的TayLoXNet模型的主要目标是通过引入基于泰勒级数的损失函数来解决图像伪造检测中的过拟合问题和高假阴性率问题，从而稳定训练过程并提高泛化性能。本研究的主要贡献如下：
•本文介绍了一种新的图像伪造检测方法TayLoXNet，该方法修改了XceptionNet的学习规则。
•在这种方法中，通过将XceptionNet的学习规则与TaylorSMS结合来实现TayLoXNet。TaylorSMS损失函数通过泰勒级数扩展将MSE和SoftMax损失函数结合起来，从而解决了过拟合问题并降低了假阴性率。
其余部分的组织结构如下：第2节介绍文献综述并强调了传统方法的局限性。第3节讨论了TayLoXNet方法在图像伪造检测中的应用。第4节展示了TayLoXNet产生的结果，第5节对本文进行了总结。
节选
文献综述
CAMU-Net是由Zhao等人[12]为CMFD开发的。CAMU-Net技术表现出强大的性能、更高的准确率以及有效的多尺度关键特征图提取能力。然而，该方法没有结合现代图像处理方法来全面应对图像篡改问题。在[16]中，Niu等人[16]开发了递归小波变换网络（RWTN-Net）用于CMFD。该技术对几何变换具有很高的鲁棒性，同时也减少了……
提出的TayLoXNet用于图像伪造检测
在这项工作中，设计了一种新的TayLoXNet模型来检测图像伪造。首先，使用中值滤波器消除输入图像中的噪声[18]。然后，提取频率旋转不变特征提取器（FRFE）[16]、自适应尺度不变特征变换（ASIFT）[19]和完整局部二值模式（CLBP）[20]相关的特征。最后，使用TayLoXNet进行图像伪造检测。在这里，通过调整XceptionNet的学习规则来实现TayLoXNet
结果与讨论
本节评估了所提出的TayLoXNet技术在图像伪造检测方面的性能与其他传统检测方法相比的情况。
结论
图像伪造是指通过修改或操纵数字图像来误导或欺骗观众的过程。它涉及多种操作，包括添加或删除对象、改变上下文以及更改颜色以制造虚假印象。虽然已经实现了多种图像伪造检测技术，但它们难以达到高精度，导致大量假阳性结果。因此，引入了一种名为TayLoXNet的新模型来检测图像伪造。首先，收集……
CRediT作者贡献声明
Sujin J S：可视化、验证、软件、资源管理、方法论、调查、资金获取、概念化。P. Bhuvaneswari：正式分析、数据管理。A.P. Subapriya：撰写 – 审稿与编辑、初稿撰写。Granty Regina Elwin J：监督。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
