DOI: https://doi.org/10.1038/s41598-026-41473-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41748712
تاريخ النشر: 2026-02-26
المؤلف: Fatemeh Zare Mehrjardi وآخرون
الموضوع الرئيسي: الكشف الجنائي عن الوسائط الرقمية
نظرة عامة
تقدم ورقة البحث نموذج HDBK، وهو إطار هجين جديد مصمم لاكتشاف تزوير الصور الرقمية، مع التركيز بشكل خاص على التحديات التي تطرحها تقنيات التزوير المتطورة مثل النسخ والتحريك. يدمج النموذج التعلم العميق، والأساليب المعتمدة على الكتل، والأساليب المعتمدة على النقاط الرئيسية لتعزيز دقة الكشف على مستوى الصورة والبكسل. يعمل من خلال ثلاث مراحل: أولاً، تولد مجموعة ثلاثية من الشبكات العصبية العميقة خرائط حرارية محلية لتحديد مناطق التزوير المحتملة؛ ثانياً، يستخدم أسلوب معزز قائم على الكتل يعتمد على خوارزمية جينية (GA) لتحديد الكتل المتشابهة بناءً على النقاط الرئيسية المتطابقة؛ وأخيراً، يتم استخدام موصوفات النقاط الرئيسية (SIFT، SURF، وFAST) للتحديد الدقيق على مستوى البكسل.
تظهر التقييمات التجريبية على مجموعة بيانات CoMoFoD أن نموذج HDBK يتفوق على التقنيات الحالية الرائدة، خاصة في اكتشاف السيناريوهات الصعبة مثل مناطق التزوير الصغيرة والسلسة. لا يؤدي دمج الميزات الدلالية عالية المستوى والتحسين الميتا-هيوريستيكي إلى تحسين قوة الكشف ضد التحولات الهندسية وتأثيرات المعالجة اللاحقة (مثل التمويه وضغط JPEG) فحسب، بل يعزز أيضًا الكفاءة الحاسوبية. بينما يتطلب الهيكل الهجين للنموذج ذاكرة أكبر من النماذج ذات المسار الواحد، فإنه يوفر أساسًا قويًا للبحث المستقبلي في اكتشاف أنواع مختلفة من التلاعبات في الصور بخلاف تزوير النسخ والتحريك.
مقدمة
في مقدمة ورقة البحث، يبرز المؤلفون الدور المهم للصور في تبادل المعلومات، خاصة في سياق انتشار التصوير الرقمي الذي يسهل استخدام الهواتف الذكية والكاميرات. تم التقاط حوالي 1.4 تريليون صورة رقمية في عام 2020، مما يبرز الحجم الهائل من المحتوى المرئي الذي تم إنتاجه. ومع ذلك، أدى ارتفاع برامج تحرير الصور إلى زيادة حالات تزوير الصور، حيث يتم التلاعب بالصور الرقمية لإخفاء أو إدخال معلومات زائفة، مما يعرض أصالتها وسلامتها للخطر.
يصنف المؤلفون اكتشاف التزوير الرقمي إلى نهجين رئيسيين: نشط وسلبي. يتضمن النهج النشط معالجة مسبقة للصور وتضمين معلومات، مثل التوقيعات الرقمية أو العلامات المائية، مما يتطلب برامج وأجهزة محددة. على العكس، يقوم النهج السلبي، أو النهج الأعمى، بتحليل محتوى وبنية الصور دون معلومات مسبقة أو معالجة مسبقة، مما يسمح باكتشاف التزوير من خلال تحديد التناقضات داخل الصورة نفسها. هذا التمييز بين الطريقتين مهم لفهم مشهد التحقق من الصور الرقمية.
طرق
في هذا القسم، يوضح المؤلفون النتائج التجريبية التي تم الحصول عليها من تقييم النموذج المقترح على مستوى الصورة والبكسل. يهدف التحليل إلى تقييم أداء النموذج وفعاليته في معالجة وتفسير البيانات المرئية. تسلط النتائج الضوء على قدرات النموذج، مما يوفر رؤى حول دقته وكفاءته في التعامل مع مهام مختلفة تتعلق بالصور. قد تتضمن المقاييس المحددة والمقارنات مع الأساليب الأساسية لدعم مزايا النموذج وتطبيقاته المحتملة في المجالات ذات الصلة.
نتائج
في هذا القسم، يقيم المؤلفون أداء شبكة هجينة لاكتشاف التزوير على مستوى الصورة والبكسل باستخدام مجموعة بيانات CoMoFod، التي تتكون من 395 صورة من أنواع التزوير الصحية والنسخ والتحريك. تدمج الشبكة الهجينة ثلاثة نماذج مدربة مسبقًا—VGG16، MobileNetV2، وEfficientNetB0—من خلال هيكل ثلاثي الفروع يستخدم دمج الميزات عبر طبقة دمج. يتم إجراء التصنيف النهائي باستخدام طبقة تجميع متوسطة عالمية تليها طبقة سوفت ماكس، مما يصنف الصور إلى فئات صحية ومزورة. تستخدم عملية التدريب 70% من مجموعة البيانات للتدريب، مع تخصيص 15% للتحقق والاختبار، وتم تحديد اختيار خمس طبقات نهائية من خلال التحقق المتقاطع لتحسين الأداء وكفاءة التدريب.
لتقييم مستوى البكسل، يقوم المؤلفون بإنشاء خرائط حرارية لاكتشاف التزوير من خلال استخراج خرائط الميزات من طبقات محددة من كل من الشبكات الثلاث. تستخدم شبكة VGG16 خرائط الميزات من طبقة block5_pool، وMobileNet من طبقة conv_pw_13_relu، وEfficientNetB0 من طبقة top_activation. يتم استخدام خرائط الميزات المجمعة من هذه الشبكات، جنبًا إلى جنب مع الأوزان من طبقة التجميع المتوسطة العالمية إلى عقدة فئة التزوير، لإنشاء خرائط الحرارة. يتم توضيح هذه التصورات في الشكل 15، مما يعرض أمثلة من مجموعة بيانات CoMoFod.
مناقشة
في هذا القسم، تركز المناقشة على التقدم في تقنيات اكتشاف التزوير، مع التركيز بشكل خاص على تزوير النسخ والتحريك، الذي يتضمن تكرار ولصق أجزاء من صورة لخداع المشاهدين. تصنف الورقة طرق اكتشاف التزوير إلى ثلاث نهج رئيسية: المعتمدة على الكتل، المعتمدة على النقاط الرئيسية، وطرق التعلم العميق. تعاني الطرق المعتمدة على الكتل، على الرغم من فعاليتها، من تكاليف حاسوبية عالية وتحديات في اكتشاف التزويرات ذات التحولات الهندسية. توفر الطرق المعتمدة على النقاط الرئيسية متانة محسنة ضد مثل هذه التحولات ولكنها تواجه صعوبة مع مناطق التزوير الصغيرة أو السلسة بسبب عدم كفاية النقاط الرئيسية. بالمقابل، تقوم طرق التعلم العميق بأتمتة استخراج الميزات ويمكنها اكتشاف التزوير على مستوى الصورة والبكسل، على الرغم من أنها تتطلب مجموعات بيانات واسعة للتدريب.
يقترح المؤلفون نموذجًا هجينًا جديدًا، يسمى HDBK، الذي يدمج طرق التعلم العميق، والكتل، والنقاط الرئيسية لتعزيز قدرات اكتشاف التزوير. يستخدم هذا النموذج ثلاثة شبكات مدربة مسبقًا لاستخراج الميزات الأولية، تليها عملية تحدد مناطق التزوير المشتبه بها باستخدام خرائط الحرارة. يقوم النموذج بمزيد من تحسين هذه المناطق من خلال طريقة قائمة على الكتل معززة بخوارزمية جينية وتقنيات استخراج نقاط رئيسية متعددة. تشمل المساهمات الرئيسية لنموذج HDBK تحسين دقة الكشف تحت تحولات مختلفة، واستخدام التجميع المتوسط العالمي لتعزيز الاعتماد بين الميزات والفئات، والقدرة على تحديد مناطق التزوير دون الاعتماد على صور الحقيقة الأرضية. تختتم الورقة بتحديد هيكل بقية الدراسة، والتي تشمل الأعمال ذات الصلة، والمفاهيم الأساسية، والنتائج التجريبية.
القيود
يعترف قسم القيود بأنه، على الرغم من الأداء المتفوق وكفاءة نموذج HDBK في اكتشاف التزويرات الصغيرة، إلا أنه يواجه تحديات محددة. بشكل ملحوظ، تكافح الطريقة الهجينة في المناطق الخالية من الملمس أو الأحادية اللون، مثل السماء الصافية، حيث يمكن أن تعيق الكثافة المنخفضة للنقاط الرئيسية التثبيت الدقيق للموصوفات. بالإضافة إلى ذلك، تشير تحليل الفشل إلى أن المعالجة اللاحقة الشديدة، كما يتضح من ضغط JPEG الثقيل (عامل الجودة = 20)، تشكل صعوبات كبيرة لبحث التشابه الخاص بالخوارزمية الجينية.
تسلط هذه القيود الضوء على مجالات البحث المستقبلية، مما يشير إلى أن تحسينات في اكتشاف النقاط الرئيسية في المناطق الموحدة وتطوير خوارزميات أكثر قوة قادرة على التعامل مع تدهور الصورة الشديد يمكن أن تحسن من قابلية تطبيق النموذج وفعاليته في سيناريوهات متنوعة.
DOI: https://doi.org/10.1038/s41598-026-41473-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41748712
Publication Date: 2026-02-26
Author(s): Fatemeh Zare Mehrjardi et al.
Primary Topic: Digital Media Forensic Detection
Overview
The research paper introduces the HDBK model, a novel hybrid framework designed for digital image forgery detection, particularly addressing challenges posed by sophisticated forgery techniques like copy-move. The model integrates deep learning, block-based, and keypoint-based methods to enhance detection accuracy at both image and pixel levels. It operates through three stages: first, a triple-architecture ensemble of deep learning networks generates localized heatmaps to identify potential forgery regions; second, an enhanced block-based method utilizing a Genetic Algorithm (GA) identifies similar blocks based on matched keypoints; and finally, keypoint descriptors (SIFT, SURF, and FAST) are employed for precise pixel-level localization.
Experimental evaluations on the CoMoFoD dataset demonstrate that the HDBK model outperforms existing state-of-the-art techniques, particularly in detecting challenging scenarios such as small-scale and smooth forgery regions. The integration of high-level semantic features and meta-heuristic optimization not only improves detection robustness against geometric transformations and post-processing effects (like blurring and JPEG compression) but also enhances computational efficiency. While the model’s hybrid architecture requires more memory than single-stream models, it provides a solid foundation for future research into detecting various types of image manipulations beyond copy-move forgeries.
Introduction
In the introduction of the research paper, the authors highlight the significant role of images in information exchange, particularly in the context of the proliferation of digital photography facilitated by smartphones and cameras. An estimated 1.4 trillion digital photographs were taken in 2020, underscoring the vast volume of visual content generated. However, the rise of image editing software has led to increased instances of image forgery, where digital images are manipulated to conceal or introduce false information, thereby compromising their authenticity and integrity.
The authors categorize the detection of digital forgery into two primary approaches: active and passive. The active approach involves pre-processing images and embedding information, such as digital signatures or watermarks, which necessitates specific software and hardware. Conversely, the passive approach, or blind approach, analyzes the content and structure of images without prior information or preprocessing, allowing for the detection of forgery by identifying inconsistencies within the image itself. This distinction between the two methods is crucial for understanding the landscape of digital image verification.
Methods
In this section, the authors detail the experimental results obtained from evaluating the proposed model at both the image and pixel levels. The analysis aims to assess the model’s performance and effectiveness in processing and interpreting visual data. The findings highlight the model’s capabilities, providing insights into its accuracy and efficiency in handling various image-related tasks. Specific metrics and comparisons with baseline methods may be included to substantiate the model’s advantages and potential applications in relevant fields.
Results
In this section, the authors evaluate the performance of a hybrid network for forgery detection at both the image and pixel levels using the CoMoFod dataset, which comprises 395 images of healthy and copy-move forgery types. The hybrid network integrates three pre-trained models—VGG16, MobileNetV2, and EfficientNetB0—through a three-branch architecture that employs feature fusion via a concatenation layer. The final classification is performed using a global average pooling layer followed by a softmax layer, categorizing images into healthy and forged classes. The training process utilizes 70% of the dataset for training, with 15% allocated for validation and testing, and the choice of five final layers was determined through cross-validation to optimize performance and training efficiency.
For pixel-level evaluation, the authors generate heat maps for forgery detection by extracting feature maps from specific layers of each of the three networks. The VGG16 network utilizes feature maps from the block5_pool layer, MobileNet from the conv_pw_13_relu layer, and EfficientNetB0 from the top_activation layer. The combined feature maps from these networks, along with the weights from the global average pooling layer to the forgery class node, are employed to create the heat maps. These visualizations are illustrated in Figure 15, showcasing examples from the CoMoFod dataset.
Discussion
In this section, the discussion centers on the advancements in forgery detection techniques, particularly focusing on copy-move forgery, which involves duplicating and pasting parts of an image to mislead viewers. The paper categorizes forgery detection methods into three main approaches: block-based, keypoint-based, and deep learning methods. Block-based methods, while effective, suffer from high computational costs and challenges in detecting forgeries with geometric transformations. Keypoint-based methods offer improved robustness against such transformations but struggle with small or smooth forgery regions due to insufficient keypoints. In contrast, deep learning methods automate feature extraction and can detect forgery at both image and pixel levels, although they require extensive datasets for training.
The authors propose a novel hybrid model, termed HDBK, which integrates deep learning, block-based, and keypoint-based methods to enhance forgery detection capabilities. This model utilizes three pre-trained networks for initial feature extraction, followed by a process that identifies suspected forgery regions using heatmaps. The model further refines these regions through a block-based method enhanced by a genetic algorithm and multiple keypoint extraction techniques. Key contributions of the HDBK model include improved detection accuracy under various transformations, the use of global average pooling to strengthen feature-class dependencies, and the ability to identify forgery regions without relying on ground truth images. The paper concludes by outlining the structure of the remainder of the study, which includes related works, basic concepts, and experimental results.
Limitations
The section on limitations acknowledges that, despite the HDBK model’s superior performance and efficiency in detecting small-scale forgeries, it encounters specific challenges. Notably, the hybrid approach struggles in textureless or monochromatic regions, such as clear skies, where the low density of keypoints can impede the accurate anchoring of descriptors. Additionally, the failure analysis indicates that extreme post-processing, exemplified by heavy JPEG compression (Quality Factor = 20), poses significant difficulties for the Genetic Algorithm’s similarity search.
These limitations highlight areas for future research, suggesting that enhancements in keypoint detection in uniform regions and the development of more robust algorithms capable of handling severe image degradation could improve the model’s applicability and effectiveness in diverse scenarios.