Core Concepts
画像フォレンジックスと画像アンチフォレンジックスの競争に対して、深層学習を用いた画像修復手法を提案し、既存の画像改ざん検出モデルに対する有効性を示す。
Abstract
本研究では、画像フォレンジックスと画像アンチフォレンジックスの競争に対して、深層学習を用いた画像修復手法を提案している。
まず、画像フォレンジックスは画像の改ざんを検出する分野であり、一方の画像アンチフォレンジックスは画像フォレンジックスの手法を妨害することを目的としている。この二つの分野の競争は深層学習の発展以前から存在しており、JPEG圧縮、ぼかし、ノイズ付与などの単純な手法が長らく使われてきた。
これらの従来手法は画像の改ざんを検出するのを困難にするが、同時に画質を劣化させる。そこで本研究では、これらの手法の後に深層学習による画像修復を行うことで、画質の劣化を抑えつつ、既存の画像改ざん検出モデルを妨害することを示している。
具体的には、ぼかし+シャープニング、ダウンサイズ+アップサイズ、JPEG圧縮+JPEG歪み除去、ガウシアンノイズ+ノイズ除去、ダウンスケール+アップスケールの5つの手法を提案している。これらの手法を2つの画像改ざん検出データセット(COVERAGE, DSO-1)に適用し、画質指標(PSNR, SSIM, BRISQUE)と2つの最新の画像改ざん検出モデル(Trufor, Early Fusion)の性能を評価している。
その結果、提案手法は既存の画像改ざん検出モデルの性能を大幅に低下させることができ、特に JPEG圧縮+JPEG歪み除去手法が優れた結果を示した。一方で、画質指標の結果から、ノイズ付与を強めると画質が劣化することも明らかになった。
以上より、本研究では深層学習を用いた画像修復手法が画像アンチフォレンジックスに有効であることを示しており、今後の画像フォレンジックス研究に大きな影響を与えると考えられる。
Stats
元の画像のPSNR: 18.96
元の画像のSSIM: 13.58
元の画像のBRISQUE: -
ぼかし+シャープニング手法のPSNR: 32.69, SSIM: 0.940, BRISQUE: 37.15
ダウンサイズ+アップサイズ手法のPSNR: 32.08, SSIM: 0.944, BRISQUE: 34.26
ガウシアンノイズ+ノイズ除去(σ=15)手法のPSNR: 37.35, SSIM: 0.961, BRISQUE: 36.04
ガウシアンノイズ+ノイズ除去(σ=25)手法のPSNR: 34.91, SSIM: 0.942, BRISQUE: 39.20
JPEG圧縮+JPEG歪み除去(QF=50)手法のPSNR: 35.68, SSIM: 0.955, BRISQUE: 38.87
JPEG圧縮+JPEG歪み除去(QF=70)手法のPSNR: 37.30, SSIM: 0.966, BRISQUE: 35.71
ダウンスケール+アップスケール手法のPSNR: 38.61, SSIM: 0.956, BRISQUE: 30.70