最近读了篇与resample和篡改检测相关的论文，在这里写下总结。
论文链接：https://arxiv.org/abs/1802.03154
作者认为resampling检测算法有利于检测splicing和resampling，copy-move检测算法善于检测cloning和region removal。将这些互补的方法相结合可以提升检测准确率。文中，作者使用copy-move检测方法作为pre-filtering，然后将这些未能检测出篡改的图像送入基于深度学习的resampling检测框架中进行检测。
1.Introduction
作者认为resample有利于检测splicing和object removal，因为篡改区域是经常被scale和rotate的，这使图像网格需要重新采样，并且留下了可以检测的证据。将其与copy-move检测方法相结合可提高准确率。
Resampling Forgery Detection
重采样图像需要进行插值，如线性或三次插值。插值会引入周期性相关的特征(经典检测方法EM)。然后周期性的JPEG blocking artifacts也会引入混淆重采样检测器的periodic patterns。可以使用第二差分算子的方差来检测使用线性或三次插值缩放的图像上的重采样，这一方法在检测up-scaling时十分有效，并且对JPEG压缩也是鲁棒的。（其他方法：Radon变换、导数滤波器、线性预测残差）
此外，加noise可提升resample准确性。也可使用normalized energy feature和SVM也可用来classify resampled images。
Copy-move Forgery Detection
两种常用方法：
① 根据图像块之间的距离检测：划分重叠块，计算块之间的距离/相关性
② 根据图像区域变换检测（DCT系数、PCA、blur invariant moments和PCA的组合）
2.Methodology
整个框架流程图如下：
Dense-field base Copy-Move Forgery Detection
这里使用的是Cozzolino提出的一个快速且准确的基于modified Patch-MatchCMF的检测算法，这一算法可用于rotation-invariant and scale-invariant篡改检测。（Efficient dense-field copy–move forgery detection）
Patch-Match算法用于计算整个图像的高质量的近似最近邻域。文中用缩放和旋转特征代替Patch-Match算法中的RGB像素值，并且使用后处理操作来移除错误匹配的实例。
Deep learning based Resampling Forgery Detection
文中使用的算法是Jason Bunk, Jawadul H. Bappy在2017的CVPRW上的”Detection and Localization of Image Forgeries using Resampling Features and Deep Learning”一文中的算法
3.Results and Discussion
作者在2017NIST Nimble Challenge evaluation dataset进行了实验，与单独的resample检测方法相比，AUC scores提升了八个百分比。
Error Analysis
作者在三分之一子集上进行error analysis。实验中共有4077张图像。1410张图像是经过篡改的，剩下的未经过篡改。实验时，作者先使用copy-move检测方法作为pre-filter识别出来549/1410张篡改图像，又使用resampling检测方法识别出了532/861张篡改图像，从而提高了准确性。
下面是自己的一些胡思乱想：
准确性的提高是由于作者引入了pre-filter，可以检测的篡改种类有所增加。
若是在针对splicing和object removal篡改检测的数据集上，准确率有何变化？将重采样作为pre-filter又有何变化？
作者认为重采样特征不善于对copy-move检测，故而先将这一类图像挑出来（过滤掉？），再使用resample检测方法进行检测。任一单一方法的性能未变。
两种针对不同篡改类型的检测方法的组合？或者认为是同时使用两种方法对一个数据集进行检测，有一种检测出篡改即为篡改。
一个数据集中的图片，先用一种方法检测；对未能检测出来的图片再换另一种方法检测。||若还有未检测出的图片是否再用一种其他检测方法？
接力使用？不行就换？ ××
创新点来源：已有方法的优化、组合