avatar
文章
106
标签
103
分类
28
首页
归档
分类
  • 类别分类
  • 作者分类
标签
友链
关于
LLM Security Group 's NotesMUN:ImageForgery Localization Based on M3 Encoder and UN Decoder 返回首页
搜索
首页
归档
分类
  • 类别分类
  • 作者分类
标签
友链
关于

MUN:ImageForgery Localization Based on M3 Encoder and UN Decoder

发表于2025-09-20|更新于2025-09-30|精读文章图像伪造取证
|浏览量:
文章作者: 伍俊
文章链接: https://fdreamer2002.github.io/2025/09/20/%E4%BC%8D%E4%BF%8A/%E7%B2%BE%E8%AF%BB%E6%96%87%E7%AB%A0/MUN-ImageForgery-Localization-Based-on-M3-Encoder-and-UN-Decoder/
版权声明: 本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 LLM Security Group 's Notes！
编码器解码器损失函数优化
上一篇
DRL-FAS: A Novel Framework Based on Deep Reinforcement Learning for Face Anti-Spoofing
摘要 人类在判断人脸样本真伪时，首先会全局浏览样本，然后仔细观察局部区域以获取更具判别性的信息。受此启发，我们针对人脸反欺骗问题，提出了一个基于卷积神经网络 (CNN) 和循环神经网络 (RNN) 的新型框架。具体而言，我们利用深度强化学习，模拟从图像子块中探索人脸欺骗相关信息的行为。我们进一步引入一种循环机制，使用 RNN 从探索到的子块中顺序学习局部信息的表示。最后，为了进行分类，我们将局部信息与全局信息融合，全局信息可以通过 CNN 从原始输入图像中学习到。此外，我们进行了大量的实验，包括消融研究和可视化分析，以在各种公共数据库上评估我们提出的框架。实验结果表明，我们的方法在所有场景中通常都能达到最佳性能，证明了其有效性。 本文聚焦的问题 该论文旨在解决人脸反欺骗（Face Anti-Spoofing, FAS）中的判别性特征提取与泛化能力不足的问题。具体而言，论文关注以下核心挑战： 欺骗线索的多样性：攻击样本可能呈现多种欺骗线索（如纸张边界、屏幕边框、反光、摩尔纹等），这些线索可能出现在图像的任何区域，且在不同攻击类型中表现各异。传统方法或单一全局特征难以覆盖所有情况...
下一篇
运用强化学习构建图像篡改定位的决策环境
avatar
LLM Security Group
分享知识，认识世界
文章
106
标签
103
分类
28
Follow Me
公告
This is my Blog
最新文章
PLeak: Prompt Leaking Attacks against Large Language Model Applications2025-11-24
Making Them Ask and Answer: Jailbreaking Large Language Models in Few Queries via Disguise and Reconstruction2025-11-23
BaitAttack: Alleviating Intention Shift in Jailbreak Attacks via Adaptive Bait Crafting2025-11-23
Salience-Aware Face Presentation Attack Detection via Deep Reinforcement Learning2025-11-20
Towards Universal AI-Generated Image Detection by Variational Information Bottleneck Network2025-11-20
© 2025 By LLM Security Group框架 Hexo 7.3.0|主题 Butterfly 5.4.3
搜索
数据加载中