Les méthodes principales de localisation des altérations d'images utilisent généralement des opérations simples pour fusionner des caractéristiques incohérentes provenant de différents flux, entraînant une redondance des caractéristiques et des erreurs de détection de pixels dans les zones altérées. Sur cette base, cet article propose un cadre de localisation des altérations d'images basé sur un encodage renforcé à double flux et un décodage optimisé par attention. Tout d'abord, un encodage renforcé à double flux est proposé pour effectuer un auto-renforcement basé sur le bruit et le canal, ainsi qu'un renforcement interactif basé sur des poids d'attention croisés pour les caractéristiques d'image et du domaine fréquentiel. Ensuite, une stratégie de champ réceptif multi-niveaux est introduite pour explorer les informations contextuelles à multiples échelles, et un module d’agrégation des caractéristiques adjacentes est conçu pour fusionner les caractéristiques adjacentes à multiples échelles. Enfin, en utilisant un renforcement collaboratif entre les zones altérées et non altérées pour améliorer la capacité de localisation des altérations du modèle, un module de décodage optimisé par attention est proposé pour éliminer les erreurs de prédiction des pixels de bord dans la prédiction initiale des zones altérées et affiner progressivement la localisation des altérations avec précision. Comparé aux méthodes principales de localisation sur quatre ensembles de données publics populaires NIST16, Coverage, Columbia, CASIA et deux ensembles de défis réels IMD20, Wild, l'algorithme proposé offre les meilleures performances sur 6 ensembles de données dans les configurations sans affinage et avec affinage, prouvant que le réseau de localisation des altérations proposé peut pleinement exploiter divers indices d'altération pour une localisation efficace des zones altérées sur différents ensembles de données, avec une précision plus élevée et une robustesse renforcée.

localisation des altérations d'images;encodage renforcé à double flux;décodage optimisé par attention;agrégation des caractéristiques adjacentes