隨著影像編輯工具的普及，數字影像的偽造問題日益嚴重，對數字取證和資訊安全構成重大挑戰。近日，一篇提交至arXiv的論文提出了一種基於遷移學習的數字影像偽造檢測框架，透過壓縮感知特徵增強與深度卷積神經網路（CNN）相結合，顯著提升了檢測效能。
該框架的核心創新在於一種混合輸入表示方法，它將傳統RGB影像與基於壓縮差異的特徵（FDIFF）融合。這種表示能夠明確突出細微的偽造痕跡——那些常規檢測中容易遺漏的畫素級異常。此外，研究團隊還引入了一種基於約登指數（Youden Index）的自適應閾值最佳化策略，針對不同模型調整分類閾值，從而在真陽率和假陽率之間取得更好的平衡，提高了分類的可靠性。
實驗部分，研究人員在CASIA v2.0資料集上評估了六種預訓練的CNN架構：DenseNet121、VGG16、ResNet50、EfficientNetB0、MobileNet和InceptionV3。使用的效能指標包括準確率、精確率、召回率、F1分數、馬修斯相關係數（MCC）以及ROC曲線下面積（AUC）。
結果顯示，DenseNet121在準確率和AUC上均達到最高值，而ResNet50則獲得了最高的MCC，表明其預測最為平衡且可靠。這一發現強調了在取證應用中僅依賴準確率的侷限性——例如，在關鍵場景中，減少假陰性（漏報）比簡單提高正確分類總數更為重要。
總體而言，該框架透過增強偽造痕跡的可視性和提升分類魯棒性，為真實世界的數字影像偽造檢測提供了可行方案。論文作者包括Fatma Betul Buyuk、Gozde Karatas Baydogmus、Ali Buldu、Ayaulym Tulendiyeva和Zhuldyz Baizhumanova，論文編號為arXiv:2605.08167。