典型文献
面向GAN生成图像的被动取证及反取证技术综述
文献摘要：
生成对抗网络(generative adversarial network,GAN)快速发展,并在图像生成和图像编辑技术等多个方面取得成功应用.然而,若将上述技术用于伪造身份或制作虚假新闻,则会造成严重的安全隐患.多媒体取证领域的研究者面向GAN生成图像已提出了多种被动取证与反取证方法,但现阶段缺乏相关系统性综述.针对上述问题,本文首先阐述本领域的研究背景和研究意义,然后分析自然图像采集与GAN图像生成过程的区别.根据上述理论基础,详细介绍了现有GAN生成图像的被动取证技术,包括:GAN生成图像检测算法,GAN模型溯源算法和其他相关取证问题.此外,针对不同应用场景介绍基于GAN的反取证技术.最后,通过实验分析当前GAN生成图像被动取证技术所面临的挑战.本文根据对现有技术从理论和实验两方面的分析得到以下结论:现阶段,GAN生成图像的被动取证技术已在空间域和频率域形成了不同技术路线,较好地解决了简单场景下的相关取证问题.针对常见取证痕迹,基于GAN的反取证技术已能够进行有效隐藏.然而,该领域研究仍存在诸多局限:1)取证与反取证技术的可解释性不足;2)取证技术鲁棒性和泛化性较弱;3)反取证技术缺乏多特征域协同的抗分析能力等.上述问题和挑战还需要研究人员继续深入探索.
文献关键词：
数字图像取证;反取证;生成对抗网络(GAN);卷积神经网络(CNN);图像生成
中图分类号：
作者姓名：
何沛松;李伟创;张婧媛;王宏霞;蒋兴浩
作者机构：
四川大学网络空间安全学院, 成都 610065;上海交通大学网络空间安全学院, 上海 200240
文献出处：
引用格式：
[1]何沛松;李伟创;张婧媛;王宏霞;蒋兴浩-.面向GAN生成图像的被动取证及反取证技术综述)[J].中国图象图形学报,2022(01):88-110
A类：
反取证,反取证技术,数字图像取证
B类：
GAN,成图,技术综述,生成对抗网络,generative,adversarial,network,图像生成,和图像,图像编辑,编辑技术,取得成功,成功应用,伪造,虚假新闻,多媒体取证,系统性综述,研究背景,研究意义,图像采集,生成过程,根据上述,图像检测算法,模型溯源,图像被动取证,现有技术,空间域,频率域,单场景,痕迹,可解释性,泛化性,多特征,分析能力
AB值：
0.255512
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
