随着图像编辑工具的普及，数字图像的伪造问题日益严重，对数字取证和信息安全构成重大挑战。近日，一篇提交至arXiv的论文提出了一种基于迁移学习的数字图像伪造检测框架，通过压缩感知特征增强与深度卷积神经网络（CNN）相结合，显著提升了检测性能。
该框架的核心创新在于一种混合输入表示方法，它将传统RGB图像与基于压缩差异的特征（FDIFF）融合。这种表示能够明确突出细微的伪造痕迹——那些常规检测中容易遗漏的像素级异常。此外，研究团队还引入了一种基于约登指数（Youden Index）的自适应阈值优化策略，针对不同模型调整分类阈值，从而在真阳率和假阳率之间取得更好的平衡，提高了分类的可靠性。
实验部分，研究人员在CASIA v2.0数据集上评估了六种预训练的CNN架构：DenseNet121、VGG16、ResNet50、EfficientNetB0、MobileNet和InceptionV3。使用的性能指标包括准确率、精确率、召回率、F1分数、马修斯相关系数（MCC）以及ROC曲线下面积（AUC）。
结果显示，DenseNet121在准确率和AUC上均达到最高值，而ResNet50则获得了最高的MCC，表明其预测最为平衡且可靠。这一发现强调了在取证应用中仅依赖准确率的局限性——例如，在关键场景中，减少假阴性（漏报）比简单提高正确分类总数更为重要。
总体而言，该框架通过增强伪造痕迹的可视性和提升分类鲁棒性，为真实世界的数字图像伪造检测提供了可行方案。论文作者包括Fatma Betul Buyuk、Gozde Karatas Baydogmus、Ali Buldu、Ayaulym Tulendiyeva和Zhuldyz Baizhumanova，论文编号为arXiv:2605.08167。