频率驱动深度学习网络（FreNet）：基于频域特征增强的图像拼接篡改检测新方法

本文推荐一篇创新性研究，提出频率驱动深度学习网络（FreNet），通过频域学习模块（FLM）、空间感知频域学习模块（SFLM）和高层特征增强模块（HFEM），有效捕捉图像拼接篡改的细微频域特征。实验表明，FreNet在五大基准数据集（如CASIA_v2）上性能优越，且对JPEG压缩等攻击具有强鲁棒性。

　　

Highlight

本研究提出频率驱动深度学习网络（FreNet），通过频域特征增强解决图像拼接篡改检测难题。FreNet包含三大创新模块：

1. 1.

   频域可学习模块（FLM）：提取高/低频特征，增强频域表征能力，捕捉篡改图像的细微痕迹。

2. 2.

   空间感知频域学习模块（SFLM）：利用空间信息引导频域特征学习，实现空间-频域协同优化。

3. 3.

   高层特征增强模块（HFEM）：通过多层级、多路径融合，强化上下文语义信息，提升复杂背景下的篡改区域识别。

Conclusion

FreNet在五大基准数据集（如CASIA_v2和NIST16）上表现卓越，且对JPEG压缩、噪声添加等攻击具有显著鲁棒性。未来可拓展至其他图像篡改类型检测，为数字取证（Digital Forensics）提供新思路。