综述：数字图像伪造检测技术的演变：全面的文献计量学综述、发展趋势与未来展望

《Wiley Interdisciplinary Reviews-Data Mining and Knowledge Discovery》：The Evolution of Digital Image Forgery Detection: A Comprehensive Bibliometric Review, Trends, and Future Prospects

数字图像伪造检测（DIF）研究系统回顾2005-2024年进展，基于Scopus数据发现深度学习主导方法演进，混合模型提升检测精度，中美机构贡献显著。三大趋势：深度学习应用激增（2018年后）、产学研合作深化、现实伪造（如深度伪造）关注提升，现存基准数据不足问题待解。

　　

摘要

确保数字图像的真实性在法医调查、媒体和科学研究中至关重要，因为这些图像是关键证据。这一需求推动了数字图像伪造检测（DIF）技术的发展。本研究回顾了2005年至2024年间的相关文献，对DIF方法进行了全面评估和文献计量分析，旨在揭示其发展趋势、技术进步和主题演变。研究利用Scopus数据库展示了主要的DIF方法、引用趋势和主题变化。文章指出，自2018年以来基于深度学习的DIF技术日益普及，并出现了结合传统方法和人工智能的混合模型，以提高检测的鲁棒性和准确性。研究显示，中国和美国在该领域处于领先地位，华南理工大学和纽约州立大学奥尔巴尼分校等机构做出了重要贡献。文献计量分析揭示了三个关键趋势：自2018年以来基于深度学习的DIF方法显著增加，表明研究方向正从传统特征提取技术转向；行业与学术界的合作不断加强，尤其是在中美两国；以及对真实世界伪造案例（如深度伪造）的关注度提高，这凸显了开发更具适应性的检测工具的必要性。同时，研究也指出了现有挑战，如缺乏丰富多样的基准数据集。这项综合性研究还提出了提高DIF技术在各个领域准确性和适用性的建议。

本文归类于：

• 算法开发 > 多媒体
• 技术 > 计算智能

图形摘要

数字图像伪造检测研究的文献计量和主题演变（2005–2024年），重点关注方法趋势、合作网络及未来研究方向。

利益冲突

作者声明没有利益冲突。

数据可用性声明

本研究生成或分析的所有数据均包含在本文中。