Creating fake pictures becomes more accessible than ever, but tampered images are more harmful because the Internet propagates misleading information so rapidly. Reliable digital forensic tools are therefore strongly needed. Traditional methods based on hand-crafted features are only useful when tampered images meet specific requirements, and the low detection accuracy prevents them from using in realistic scenes. Recently proposed learning-based methods improve the accuracy, but neural networks usually require to be trained on large labeled databases. This is because commonly used deep and narrow neural networks extract high-level visual features and neglect low-level features where there are abundant forensic cues. To solve the problem, we propose a novel neural network which concentrates on learning low-level forensic features and consequently can detect splicing forgery although the network is trained on a small automatically generated splicing dataset. Furthermore, our fusion network can be easily extended to support new forensic hypotheses without any changes in the network structure. The experimental results show that our method achieves state-of-the-art performance on several benchmark datasets and shows superior generalization capability: our fusion network can work very well even it never sees any pictures in test databases. Therefore, our method can detect splicing forgery in realistic scenes.

创建虚假图片比以往任何时候都更加容易，但是篡改图片的危害更大，因为Internet会如此迅速地传播误导性信息。因此，强烈需要可靠的数字取证工具。基于手工特征的传统方法仅在篡改的图像满足特定要求时才有用，而较低的检测精度会阻止它们在现实场景中使用。最近提出的基于学习的方法提高了准确性，但是神经网络通常需要在大型标签数据库上进行训练。这是因为通常使用的深层和窄层神经网络会提取高级视觉特征，而忽略具有丰富法医提示的低级特征。为了解决这个问题 我们提出了一种新颖的神经网络，该网络专注于学习低级取证特征，因此尽管可以在小型自动生成的拼接数据集上进行训练，但仍可以检测到拼接伪造。此外，我们的融合网络可以轻松扩展以支持新的法医假设，而无需改变网络结构。实验结果表明，我们的方法在多个基准数据集上均具有最先进的性能，并具有出色的泛化能力：即使在测试数据库中看不到任何图片，我们的融合网络也可以很好地工作。因此，我们的方法可以检测真实场景中的拼接伪造。我们的融合网络可以轻松扩展，以支持新的法医假设，而无需改变网络结构。实验结果表明，我们的方法在多个基准数据集上均具有最先进的性能，并具有出色的泛化能力：即使在测试数据库中看不到任何图片，我们的融合网络也可以很好地工作。因此，我们的方法可以检测真实场景中的拼接伪造。我们的融合网络可以轻松扩展以支持新的法医假设，而无需改变网络结构。实验结果表明，我们的方法在多个基准数据集上均具有最先进的性能，并具有出色的泛化能力：即使在测试数据库中看不到任何图片，我们的融合网络也可以很好地工作。因此，我们的方法可以检测真实场景中的拼接伪造。