Gängige Methoden zur Bildmanipulationslokalisierung führen typischerweise einfache Operationen durch, um inkonsistente Merkmale aus verschiedenen Strömen zu fusionieren, was zu Merkmalsredundanz und Fehlalarmen bei Pixeln in manipulierter Region führt. Basierend darauf wird in diesem Artikel ein Bildmanipulationslokalisierungsframework vorgeschlagen, das auf doppelflussverstärkter Kodierung und aufmerksamkeitsoptimiertem Decodieren basiert. Zunächst wird eine doppelflussverstärkte Kodierung vorgeschlagen, die Bild- und Frequenzbereichsmerkmale jeweils anhand von Rausch- und Kanalaufmerksamkeit selbstverstärkt und über kreuzgegebene Aufmerksamkeitsgewichte interaktiv verstärkt. Anschließend wird eine mehrstufige Rezeptfeldstrategie eingeführt, um mehrskalige Kontextinformationen zu erforschen, und ein Nachbarfeatures-Aggregationsmodul entworfen, um mehrskalige benachbarte Merkmale zu verschmelzen. Schließlich wird mittels kooperativer Verstärkung von manipulierten und nicht manipulierten Regionen die Manipulationslokalisierungsfähigkeit des Modells verbessert, indem ein aufmerksamkeitsoptimiertes Decodiermodul vorgeschlagen wird, das falsche Vorhersagen von Randpixeln in der anfänglichen Manipulationsvorhersage eliminiert und die Manipulationslokalisierung schrittweise präzise verfeinert. Im Vergleich zu gängigen Methoden zur Manipulationslokalisierung auf vier populären öffentlichen Benchmark-Datensätzen NIST16, Coverage, Columbia, CASIA und zwei realen herausfordernden Datensätzen IMD20, Wild erzielt der vorgeschlagene Algorithmus unter Einstellungen ohne und mit Feinabstimmung die beste Leistung auf 6 Datensätzen, was beweist, dass das vorgeschlagene Manipulationslokalisierungsnetzwerk in der Lage ist, verschiedene Manipulationssignale voll auszunutzen, um effektiv manipulierte Bereiche auf verschiedenen Manipulationsdatensätzen mit höherer Lokalisierungsgenauigkeit und stärkerer Robustheit zu bestimmen.

Bildmanipulationslokalisierung;doppelflussverstärkte Kodierung;aufmerksamkeitsoptimiertes Decodieren;Nachbarfeatures-Aggregation