[[missing key: loading-pdf-error]] [[missing key: loading-pdf-link]]
Abstrakt
Source device identification is an important topic in image forensics since it allows to trace back the origin of an image. Its forensics counterpart is source device anonymization, that is, to mask any trace on the image that can be useful for identifying the source device. A typical trace exploited for source device identification is the photo response non-uniformity (PRNU), a noise pattern left by the device on the acquired images. In this paper, we devise a methodology for suppressing such a trace from natural images without a significant impact on image quality. Expressly, we turn PRNU anonymization into the combination of a global optimization problem in a deep image prior (DIP) framework followed by local post-processing operations. In a nutshell, a convolutional neural network (CNN) acts as a generator and iteratively returns several images with attenuated PRNU traces. By exploiting straightforward local post-processing and assembly on these images, we produce a final image that is anonymized with respect to the source PRNU, still maintaining high visual quality. With respect to widely adopted deep learning paradigms, the used CNN is not trained on a set of input-target pairs of images. Instead, it is optimized to reconstruct output images from the original image under analysis itself. This makes the approach particularly suitable in scenarios where large heterogeneous databases are analyzed. Moreover, it prevents any problem due to the lack of generalization. Through numerical examples on publicly available datasets, we prove our methodology to be effective compared to state-of-the-art techniques.
Požádali jste o strojový překlad vybraného obsahu z našich databází. Tato funkce je poskytována výhradně pro váš komfort a nesmí být využita jako náhrada odborného překladu. Zobrazit plné omezení odpovědnosti
Společnost ProQuest ani její poskytovatelé licence k těmto překladům neposkytují žádnou záruku. Překlady jsou generovány automaticky a nejsou v našich systémech uchovávány. SPOLEČNOST PROQUEST A JEJÍ POSKYTOVATELÉ LICENCE SE ZŘÍKAJÍ VEŠKERÝCH VÝSLOVNÝCH NEBO PŘEDPOKLÁDANÝCH ZÁRUK, ZAHRNUJÍCÍCH ZEJMÉNA ZÁRUKU DOSTUPNOSTI, PŘESNOSTI, AKTUÁLNOSTI, ÚPLNOSTI, PORUŠOVÁNÍ PRÁV, OBCHODOVATELNOSTI NEBO VHODNOSTI PRO KONKRÉTNÍ ÚČEL. Použití překladů podléhá všem omezením uvedeným v Licenční smlouvě o používání elektronických produktů (EPLA). Použitím funkce automatického překladu a jakéhokoli z ní odvozeného výstupu souhlasíte se zřeknutím se jakýchkoli nároků vůči společnosti ProQuest a jejím poskytovatelům licence. Skrýt toto upozornění