在這里,我們提出了一種新穎的兩流篡改檢測框架,該框架不僅可以對視覺篡改偽像(例如,操縱邊緣附近的篡改偽像)進行建模,還可以捕獲局部噪聲特征中的不一致之處。 更具體地說,我們在兩流網絡中采用Faster R-CNN,并進行端到端訓練。 下圖總結了我們的方法。 諸如Faster R-CNN之類的深度學習檢測模型在檢測各種規模的語義對象方面表現出良好的性能。 區域候選網絡(RPN)是Faster R-CNN中的組件,負責選擇可能包含感興趣對象的圖像區域,并且可以適用于圖像篡改檢測。 為了將篡改區域與真實區域區分開,我們利用RGB通道的特征來捕獲線索,例如篡改邊界上的視覺不一致以及篡改區域與真實區域之間的對比效果。 第二個流分析圖像中的局部噪聲特征。