Główne pojęcia
이미지 포렌식 방지 기술을 통해 기존 이미지 조작 탐지 모델의 성능을 저하시킬 수 있다.
Streszczenie
이 연구에서는 이미지 포렌식 방지를 위한 새로운 방법을 제안한다. 기존의 단순한 포렌식 방지 기술(블러링, 노이즈 추가, JPEG 압축 등)은 이미지 품질을 저하시키지만, 제안하는 방법은 딥 러닝 기반 이미지 복원 기술을 활용하여 이미지 품질을 개선한다.
구체적으로 다음과 같은 방법을 제안한다:
Blur&Sharp: 가우시안 블러링 후 샤프닝 필터를 적용하는 방법
Downsize&Upsize: 이미지 크기를 절반으로 줄이고 다시 원래 크기로 늘리는 방법
JPEG Compression&JPEG Compression Artifacts Removal: JPEG 압축 후 JPEG 아티팩트 제거 모델을 적용하는 방법
Gaussian Noise&Denoise: 가우시안 노이즈 추가 후 노이즈 제거 모델을 적용하는 방법
Downscale&Upscale: 이미지 해상도를 절반으로 줄이고 super-resolution 모델로 복원하는 방법
제안한 방법들을 COVERAGE와 DSO-1 데이터셋에 적용하여 평가한 결과, 기존 최신 이미지 조작 탐지 모델의 성능을 크게 저하시킬 수 있음을 확인했다. 이는 기존 데이터셋과 모델 학습에 사용된 단순한 포렌식 방지 기술로는 실제 위협에 대응하기 어렵다는 것을 보여준다. 따라서 제안한 고도화된 포렌식 방지 기술을 데이터셋 생성과 모델 학습에 활용할 필요가 있다.
Statystyki
원본 이미지의 PSNR은 18.96, SSIM은 13.58, BRISQUE는 13.58이었다.
Blur&Sharp 방법을 적용한 이미지의 PSNR은 32.69, SSIM은 0.940, BRISQUE는 37.15였다.
Downsize&Upsize 방법을 적용한 이미지의 PSNR은 32.08, SSIM은 0.944, BRISQUE는 34.26이었다.
Gaussian Noise&Denoise(Sigma=15) 방법을 적용한 이미지의 PSNR은 37.35, SSIM은 0.961, BRISQUE는 36.04였다.
Gaussian Noise&Denoise(Sigma=25) 방법을 적용한 이미지의 PSNR은 34.91, SSIM은 0.942, BRISQUE는 39.20이었다.
JPEG Compression&JPEG CAR(QF=50) 방법을 적용한 이미지의 PSNR은 35.68, SSIM은 0.955, BRISQUE는 38.87이었다.
JPEG Compression&JPEG CAR(QF=70) 방법을 적용한 이미지의 PSNR은 37.30, SSIM은 0.966, BRISQUE는 35.71이었다.
Downscale&Upscale 방법을 적용한 이미지의 PSNR은 38.61, SSIM은 0.956, BRISQUE는 30.70이었다.