摘要
背景：图像拼接伪造检测是图像取证领域中最具挑战性的问题之一，因为它需要识别并定位那些通过整合一个或多个不同来源的内容而产生的可疑区域。由于存在重叠的图像区域，准确检测和分类拼接伪造仍然是一项艰巨的任务，这使得区分真实图像与被篡改图像变得十分复杂。这种重叠导致特征表示不足，难以精准检测图像中的篡改痕迹。此外，模型的决策过程往往像黑箱一样，难以理解其决策背后的逻辑。方法：为了解决这些难题，本文提出了一种基于卷积块注意力模块（CBAM）与跨连接滤波器结合的U-Net结构——即CCF-CNN，以实现对接合区域的精准检测与定位。CBAM能够增强空间和通道层面的注意力机制，从而精准定位伪造区域。该双阶段CCF-CNN结构通过跨连接滤波器提取全局和局部特征，以此区分真实图像与被篡改图像。同时，还引入了一种替代热图机制，利用中间解码器特征生成局部视觉解释，进而精准定位拼接区域，提升了模型决策过程的透明度。结果：在CASIA 2.0数据集上，所提出的CCF-CNN模型达到了99.84%的高准确率，在MISD数据集上的准确率为95.63%。结论：与VGG、ResNet等传统CNN模型以及基于注意力的可解释性算法相比，所提出的模型在检测能力和可解释性方面均表现更优。
