deepfake媒体的泛滥引起了公众和相关部门的关注。针对社交媒体上的假脸，制定对策变得至关重要。本文对多面伪造检测和野外分割这两个新的对抗任务进行了全面的研究。在不受限制的自然场景中，在多张人脸中定位伪造人脸比传统的深度假人脸识别任务更具挑战性。为了促进这些新任务，我们创建了第一个大规模数据集，提出了高水平的挑战，该数据集设计了针对面部伪造检测和分割的面部丰富注释，即OpenForensics。

先进的图像伪造定位（IML）技术越来越多地用来评价多媒体的可信度，从而导致了IML领域的出现。一个有效的伪造模型需要利用伪影来提取被操作部分和合法部分之间的非语义差异特征。这就需要对这两个地区进行直接比较。目前的模型要么采用基于手工特征的特征方法，要么采用卷积神经网络（cnn），要么采用两者结合的混合方法。手工特征方法预先假定篡改，因此限制了其处理各种篡改过程的有效性，但cnn捕获的语义信息不足以

错误信息已经成为一个紧迫的问题。虚假媒体，无论是视觉形式还是文字形式，都在网络上广泛存在。虽然已经提出了各种深度伪造检测和文本假新闻检测方法，但它们仅针对基于二元分类的单模态伪造而设计，无法对不同模态的细微伪造痕迹进行分析和推理。本文重点研究了多模态伪造媒体的一个新的研究问题，即多模态媒体操纵的检测和定位(DGM4)。DGM4的目的不仅是检测多模态媒体的真实性，而且要对被操纵的内容(即图像边界框和

Transformer体系结构在建模全局关系方面显示出了非凡的能力。然而，它在处理高维医学图像时提出了重大的计算挑战。这阻碍了它在这项任务中的发展和广泛采用。Mamba作为一种状态空间模型(State Space Model, SSM)，近年来作为序列建模中一种值得关注的远程依赖关系模型，以其显著的存储效率和计算速度在自然语言处理领域表现优异。受其成功的启发，我们引入了SegMamba，一种新颖的

paper:https://arxiv.org/abs/2112.08935code:https://github.com/dong03/MVSS-Net摘要:由于通过复制移动、拼接和/或绘制来操纵图像可能导致对视觉内容的误解，因此检测这些类型的操作对于媒体取证至关重要。考虑到对内容的各种可能的攻击，设计一种通用的方法是非常重要的。当前基于深度学习的方法在训练数据和测试数据一致时很有前景，但在独立

论文：https://arxiv.org/abs/2303.17111代码：https://github.com/CHELSEA234/HiFi_IFDLAbstract：cnn合成域和图像编辑域生成的图像伪造属性存在较大差异，这给统一的图像伪造检测与定位(IFDL)带来了挑战。为此，我们提出了一个分层细粒度的IFDL表示学习公式。具体来说，我们首先用不同级别的多个标签表示被操纵图像的伪造属性。然