CVPR2022 | 用于重采图像的特征解耦学习与动态融合

本文中作者提出了一种新的特征解耦和动态融合（FDDF）模块以自适应学习最有效的recapture特征，此外作者收集制作了一个大规模的真实场景通用recapture（RUR）数据集，其中包含各种recapture模式,其数量大约是之前公布的数据集的五倍。

作者是第一个提出通用模型和通用真实场景大规模数据集用来做recaptured image forensic的人，所提的FDDF可以在RUR数据集上达到SOTA的水平。

论文链接：

https://arxiv.org/pdf/2206.06103.pdf

FDDF模型的架构，如下图所示。

该模型由显式特征解耦（EFD）模块和动态特征融合（DFF）模块组合而成。整个流程可被表述为：

（1）图像被送入四个平行分支，以统一的Resnet18骨干网络生成四种capture feature；

（2）capture feature被具有自适应权重的可学习的模块融合；

（3）融合的特征将被送进分类层，以判断图像是否被recapture。