1. 论文基本信息 (Bibliographic Information)

• 标题 (Title): 基于深度学习的图像篡改检测方法综述 (A review of image tampering detection methods based on deep learning)
• 作者 (Authors): 张汝波¹, 葡庆龙¹, 张天一²
  • ¹大连民族大学机电工程学院
  • ²北京航空航天大学网络空间安全学院
• 发表期刊/会议 (Journal/Conference): 智能系统学报 (CAAI transactions on intelligent systems)。该期刊是中国人工智能学会会刊，是国内人工智能领域的核心期刊之一，具有较高的学术声誉。
• 发表年份 (Publication Year): 2025 (根据论文信息，此为预发表或未来发表的文章)
• 摘要 (Abstract): 论文旨在回顾和总结基于深度学习的图像篡改检测方法。随着图像编辑工具的普及，虚假图像的传播对社会各领域构成了威胁。本文首先介绍了该领域的研究现状，然后对近5年的深度学习方法进行了创新性的分类整理，并介绍了常用的数据集、评价指标及各方法的性能对比。最后，论文探讨了现有方法的局限性并展望了未来发展方向。
• 原文链接 (Source Link): /files/papers/68e655febaa85bced329d447/paper.pdf (论文全文已在请求中提供)。

2. 整体概括 (Executive Summary)

• 研究背景与动机 (Background & Motivation - Why):

  • 核心问题： 数字图像编辑软件的普及使得图像篡改行为变得异常简单和普遍。这些被篡改的图像通过社交网络广泛传播，严重威胁了新闻、法律、科研等领域的真实性和可信度。因此，开发能够准确检测并定位图像中篡改区域的技术变得至关重要。
  • 现有挑战 (Gap)： 传统的图像篡改检测方法依赖于手动设计的特征，这些特征不仅需要大量的专家知识，而且容易受到图像压缩、噪声等因素的干扰，导致检测效果不佳。虽然基于深度学习的方法已成为主流并取得了显著进展，但近年来方法层出不穷，缺乏一个系统性的、紧跟最新研究的综述。特别是，现有综述较少从共性关键技术和面向现实复杂场景这两个新视角进行归纳。
  • 本文切入点： 本文旨在填补这一空白，重点梳理近5年的最新研究成果，并提出一种全新的分类方法。该分类方法不局限于网络架构，而是提炼了多种方法中普遍适用的共性关键技术（如多流融合、边缘信息利用等），同时特别关注了在有损后处理（如JPEG压缩、网络传输）等现实场景下的方法，为该领域的未来研究和实际应用提供了更具指导意义的参考。

• 核心贡献/主要发现 (Main Contribution/Findings - What):

  • 最新成果的系统性综述： 详尽回顾了近5年来图像篡改检测领域的最新深度学习方法，覆盖了顶级会议和期刊的核心工作。
  • 创新的分类框架： 提出了一个基于共性关键技术的全新分类框架，将现有方法归纳为基于多流信息融合、多尺度特征提取、边缘信息、对比学习等类别，并补充了基于Transformer等新兴架构的方法。这个框架有助于研究者理解提高检测精度的核心技术要素。
  • 关注现实应用场景： 增加了面向现实复杂场景（如JPEG压缩、社交网络传播）的研究工作总结，强调了算法的鲁棒性，推动了技术从实验室走向实际应用。
  • 全面的性能对比与分析： 汇总了主流的数据集和评估指标，并对代表性方法在多个标准数据集上的性能进行了横向对比和深入分析，揭示了当前方法的优势与不足。

3. 预备知识与相关工作 (Prerequisite Knowledge & Related Work)

• 基础概念 (Foundational Concepts):

  • 图像篡改 (Image Tampering): 指对数字图像进行恶意修改，以改变其原始语义内容，达到欺骗或误导的目的。常见的三种类型如下图所示：

    • 拼接 (Splicing): 将一张或多张图像的一部分区域粘贴到另一张图像上。

    • 复制-移动 (Copy-Move): 将图像中的某个区域复制并粘贴到同一图像的另一位置，以隐藏或复制物体。

    • 删除 (Removal/Inpainting): 移除图像中的某个物体，并用背景或其他内容进行填充，使其看起来自然。

      该图像为图表示例，展示了三种图像篡改类型及其对应的掩码。左列为真实图像，中列为经过拼接、复制移动和删除三种篡改的图像，右列为对应的篡改掩码，通过白色区域标识被篡改的具体位置。

  • 图像取证 (Image Forensics): 一门研究数字图像真实性和完整性的科学技术，旨在通过分析图像的数字痕迹来判断其是否被篡改以及如何被篡改。

  • 深度学习 (Deep Learning): 机器学习的一个分支，以深度神经网络（如CNN）为基础，能够从大量数据中自动学习和提取复杂的特征，避免了传统方法中繁琐的手动特征设计。

  • 卷积神经网络 (Convolutional Neural Network, CNN): 一种专门用于处理具有网格状拓扑结构数据（如图像）的深度神经网络。它通过卷积层、池化层等结构有效提取图像的局部特征，在计算机视觉任务中取得了巨大成功。

• 前人工作 (Previous Works):

  • 传统方法： 早期的研究主要依赖手动设计的特征，大致可分为三类：
    1. 基于成像设备固有属性： 分析由相机传感器、镜头等硬件留下的独特痕迹，如颜色滤波阵列 (Color Filter Array, CFA)插值模式、光响应不均匀性 (Photo-Response Non-Uniformity, PRNU)噪声等。
    2. 基于图像内在统计特征： 分析图像本身的统计规律，如像素值的直方图、频域特征（如DCT系数）等。篡改会破坏这些自然的统计特性。
    3. 基于篡改痕迹： 直接寻找篡改操作留下的线索，如拼接边界的不连续性、复制区域的块相似性等。
  • 局限性： 这些传统方法对JPEG压缩、噪声、几何变换等后处理操作非常敏感，鲁棒性差。同时，特征设计依赖专家经验，泛化能力有限。

• 技术演进 (Technological Evolution):

  • 随着深度学习，特别是CNN在计算机视觉领域的兴起，研究范式从“手动设计特征 + 分类器”转变为“端到端 (End-to-End)”的学习模型。深度学习模型能够自动从数据中学习更鲁棒、更具判别力的篡改痕迹，在检测精度和泛化能力上均超越了传统方法。

• 差异化分析 (Differentiation):

  • 与已有的综述相比，本文的核心区别在于其时效性、分类视角和应用导向。它不仅聚焦于近5年的最新工作，还跳出了单纯按网络模型（如CNN、GAN）分类的传统框架，而是从“共性关键技术”这一更本质的层面进行剖析，揭示了不同方法背后提升性能的共同逻辑。此外，对“现实有损场景”的专门论述，使其更贴近实际应用需求，具有更强的指导价值。

    该图像为示意图，展示了基于深度学习的图像篡改检测方法的分类结构。方法分为两大场景：“标准数据集场景”和“现实有损场景”，各自包含多流信息融合、多尺度特征提取、边缘信息、对比学习、Transformer网络架构以及有损后处理等具体方法类别。

4. 方法论 (Methodology - Core Technology & Implementation Details)

本文的核心在于其对现有深度学习方法的分类和梳理。以下将按照论文的分类框架，详细解析各类方法的原理和关键技术。

• 1.1 基于多流信息融合的方法 (Methods based on Multi-stream Information Fusion)

  • 核心思想： 图像篡改留下的痕迹往往非常微弱，仅靠RGB三通道的颜色信息不足以有效捕捉。因此，通过引入其他信息流（如噪声、频域信息），可以从不同维度提供互补的线索，增强模型对篡改痕迹的感知能力。

  • 流程示意图：

    该图像为示意图，展示了基于多域特征融合的图像篡改检测流程。左侧为一张被篡改图像，图像通过RGB域、噪声域和频域三种特征提取途径，随后进行特征融合，融合后的特征输入检测网络，最终输出检测结果。该示意图直观表达了多域信息融合用于篡改检测的基本思路。

  • 关键技术细节：

    • 噪声流 (Noise Stream): 篡改操作（如拼接、压缩）会破坏图像固有的噪声模式。通过特定的滤波器提取噪声残差图，可以放大这些不一致性。

      • SRM (Steganalysis Rich Model) 滤波器: 最初用于隐写分析，通过高通滤波器组计算像素与其邻域的残差，有效提取噪声特征。论文中提到，实践中常用3个简化的SRM滤波器核。

        该图像为图表，展示了三个用于图像处理的卷积核矩阵。矩阵大小均为5×5，分别归一化系数为1/4、1/12和1/2，矩阵元素体现了不同的滤波器权重，用以实现图像边缘检测或纹理分析。具体数值和结构显示了滤波器在空间域的感受野分布和权重分配。

      • BayarConv: 一种特殊的卷积层，其权重被约束为中心为-1，其余为可学习参数且总和为0，强制网络学习高频残差（噪声），从而抑制图像内容信息。

      • ELA (Error Level Analysis): 通过比较原始图像与其经过一次JPEG压缩后的版本之间的差异来工作。篡改区域由于可能经历过不同的压缩历史，其ELA差异会与真实区域不同。

    • 频域流 (Frequency Stream): 篡改操作在频域中通常会留下比空域更明显的痕迹。
      • DCT (Discrete Cosine Transform): 离散余弦变换，是JPEG压缩的核心。通过分析DCT系数的统计分布，可以发现压缩不一致等篡改痕迹。一些方法直接将图像的DCT系数作为一路输入。
    • 信息融合： 来自不同流的特征图通常在网络的某个阶段进行融合，常见方式有拼接 (concatenation)、逐元素相加 (element-wise addition)，或通过更复杂的注意力机制（如双重注意力 (Dual Attention)）进行自适应加权融合。

• 1.2 基于多尺度特征提取的方法 (Methods based on Multi-scale Feature Extraction)

  • 核心思想： 篡改区域的大小和形状各不相同，从微小的物体移除到大面积的背景替换都可能发生。因此，模型需要具备在不同尺度上感知特征的能力，以同时捕捉全局上下文信息和局部细节痕迹。

  • 流程示意图：

    该图像为示意图，展示了基于深度学习的图像篡改检测流程。输入为篡改图像，经过特征提取生成特征图，特征图进一步融合后送入检测网络，最终输出篡改检测结果。整体流程体现了从图像到特征再到检测结果的处理步骤。

  • 关键技术细节：

    • ASPP (Atrous Spatial Pyramid Pooling): 空洞空间金字塔池化。它使用具有不同采样率 (dilation rate)的空洞卷积并行地在同一特征图上进行卷积，从而在不降低分辨率的情况下获得不同大小的感受野，有效捕捉多尺度信息。
    • 特征金字塔 (Feature Pyramid): 类似于U-Net或FPN (Feature Pyramid Network)的编解码器结构。编码器通过逐层下采样提取从粗到细的多层次特征，解码器则通过上采样并结合来自编码器的跳跃连接 (skip connections)，将高层语义信息与低层细节信息融合，生成高分辨率的预测结果。
    • InceptionNet 结构: 通过在一个模块内并行使用不同大小的卷积核（如1x1, 3x3, 5x5）来捕捉多尺度特征。

• 1.3 基于边缘信息的方法 (Methods based on Edge Information)

  • 核心思想： 篡改区域与真实区域的边界（边缘）通常是篡改痕迹最集中的地方，例如拼接引入的突兀边缘、模糊或伪影。强化模型对这些边缘特征的学习，可以显著提升定位的精度。

  • 流程示意图：

    该图像是一个流程图，展示了基于边缘特征的图像篡改检测框架。首先从篡改图像中提取区域特征和边缘特征，通过边缘增强模块得到增强边缘特征，并将两者融合生成融合特征，输入检测网络。检测网络输出边缘损失预测结果，与真实拖码边缘拖码进行对比，计算总损失用以优化模型检测效果。

  • 关键技术细节：

    • 边缘增强模块 (方框①): 在网络中设计专门的模块来提取和增强边缘特征。例如，使用Sobel算子等传统边缘检测滤波器，或者设计残差块来学习边缘与区域特征的差异。
    • 边缘监督策略 (方框②): 在训练过程中引入额外的监督信号。除了预测整个篡改区域的掩码外，还让模型同时预测篡改区域的边缘掩码。这通常通过一个独立的边缘解码分支和专门的边缘损失函数来实现。
    • 损失函数设计:
      • 区域损失 (Region Loss): 通常使用二元交叉熵 (Binary Cross-Entropy, BCE)损失来监督区域掩码的预测。
      • 边缘损失 (Edge Loss): 由于边缘像素在整幅图像中占比极小，属于样本不均衡问题，因此常使用Dice损失 (Dice Loss)。Dice损失对前景像素（边缘）的权重更高，能更好地处理类别不均衡。论文中给出了边缘损失的公式： $$\log \bar { \mathbf { s } } _ { \mathrm { e } } ( x ) = 1 - \frac { 2 \cdot \displaystyle \sum _ { i = 1 } ^ { H \times W } E ( x _ { i } ) \cdot y _ { i } } { \displaystyle \sum _ { i = 1 } ^ { H \times W } E ( x _ { i } ) ^ { 2 } + \displaystyle \sum _ { i = 1 } ^ { H \times W } y _ { i } ^ { 2 } }$$ 其中，$E(x_i)$是模型预测的第$i$个像素属于篡改边界的概率，$y_i$是真实的边缘标签（0或1）。
      • 总损失 (Total Loss): 最终的总损失是区域损失和边缘损失的加权和： $$\mathrm { l o s s } _ { \mathrm { t } } ( x ) = \gamma _ { \mathrm { e } } \bullet \mathrm { l o s s } _ { \mathrm { e } } ( x ) + \gamma _ { \mathrm { r } } \bullet \mathrm { l o s s } _ { \mathrm { r } } ( x )$$ 其中 $\gamma_e$ 和 $\gamma_r$ 是平衡两项损失的权重。

• 1.4 基于对比学习的方法 (Methods based on Contrastive Learning)

  • 核心思想： 对比学习是一种自监督学习技术，其目标是学习一个特征空间，在该空间中，相似的样本（正样本对）被拉近，不相似的样本（负样本对）被推远。在篡改检测中，可以将同一类别（如所有真实像素，或所有篡改像素）的像素特征视为正样本，不同类别的像素特征视为负样本。通过对比学习，可以强制模型学习到真实区域与篡改区域之间更具判别力的特征差异。
  • 关键技术细节：
    • 样本对构建: 在一张篡改图像中，从真实区域和篡改区域中分别采样像素（或区域块）的特征，构建正负样本对。
    • 对比损失 (Contrastive Loss): 常用的损失函数是InfoNCE。论文中给出了一个通用的对比损失计算公式： $$L _ { i } = { \frac { 1 } { | A _ { i } | } } \sum _ { k ^ { + } \in A _ { i } } - \log { \frac { \exp ( f _ { i } \cdot k ^ { + } / \tau ) } { \exp ( f _ { i } \cdot k ^ { + } / \tau ) + \sum _ { k ^ { - } } \exp ( f _ { i } \cdot k ^ { - } / \tau ) } }$$ 其中，$f_i$是查询样本（某个像素或区域块）的特征，$k^+$是与之同类的正样本特征，k^-是与之异类的负样本特征，$\tau$是温度超参数 (temperature hyperparameter)，用于调节softmax的平滑程度。这个损失函数的目标是最大化查询样本与正样本的相似度，同时最小化与负样本的相似度。

• 1.5 基于Transformer等其他网络架构的方法

  • 核心思想： Transformer是一种最初用于自然语言处理的模型，其核心是自注意力机制 (Self-Attention Mechanism)。与CNN的局部感受野不同，自注意力机制能够计算图像中任意两个像素（或图像块）之间的依赖关系，从而捕捉全局上下文信息和长距离依赖。这对于检测分散的、或与背景高度相似的篡改区域特别有用。

  • 自注意力机制原理：

    该图像为流程示意图，展示了基于注意力机制的图像特征处理过程。输入图像特征首先生成三个矩阵Q、K、V，经过矩阵乘法和Softmax操作后，再次进行矩阵乘法，最终得到输出图像特征。该流程体现了自注意力机制中关键的计算步骤。

    对于输入的每个图像块特征，生成三个向量：查询 (Query, Q)、键 (Key, K)和值 (Value, V)。通过计算一个Q与所有K的点积相似度，得到注意力权重，然后用这个权重对所有的V进行加权求和，得到该图像块的最终输出特征。这个过程使得每个位置的输出都包含了全局信息。 其计算公式为： $$A _ { \mathrm { t t e n t i o n } } ( Q, K, V ) = \mathrm { Softmax } \left( \frac { Q K ^ { \mathrm { T } } } { \sqrt { d _ { k } } } \right) V$$ 其中 $d_k$ 是键向量的维度，用于缩放，防止点积结果过大导致梯度消失。

  • 代表性工作：

    • ObjectFormer、TransForensics等模型将Transformer编码器引入到篡改检测框架中，利用其全局建模能力来捕捉细微的篡改痕迹。
    • 一些工作（如EMT-Net）将CNN和Transformer结合，利用CNN提取局部特征，利用Transformer建模全局关系，实现优势互补。

• 1.6 基于有损后处理背景下的方法

  • 核心挑战： 图像在社交网络上传播时，会经历JPEG压缩、缩放、加噪等一系列有损后处理。这些操作会严重破坏或掩盖原始的篡改痕迹，导致大多数在“干净”数据集上训练的模型性能急剧下降。
  • 应对策略：
    • 压缩伪影学习： 设计专门的网络模块来学习JPEG压缩引入的伪影特征，例如直接分析DCT系数的分布（如CAT-Net）。
    • 域适应 (Domain Adaptation): 将无压缩图像视为源域 (source domain)，有损压缩图像视为目标域 (target domain)，利用迁移学习技术，使模型将在源域学到的知识适应到目标域。
    • 图像恢复辅助： 在篡改定位前，先用一个图像恢复网络（如Zhuang et al.的工作）来减轻压缩等操作带来的失真，将“受损”的篡改图像恢复成“干净”的高质量版本，再送入定位网络。
    • 噪声建模与鲁棒训练： 模拟社交网络（OSN）的处理流程，在训练数据中加入可预测的噪声（如JPEG压缩、缩放）和对抗性的未知噪声，从而提升模型对真实网络传输环境的鲁棒性（如Wu et al.的工作）。

5. 实验设置 (Experimental Setup)

• 数据集 (Datasets):

  • 论文总结了多个广泛使用的公开数据集，如 Columbia, CASIA v1/v2, NIST16, Coverage, IMD2020 等。这些数据集涵盖了不同的篡改类型、图像尺寸和格式。
  • 关键问题： 论文指出，现有公开数据集规模仍然偏小，难以满足深度学习模型训练的需求。因此，许多SOTA方法都采用自建大规模合成数据集进行训练。它们通常使用MS-COCO、Dresden等大型图像库作为源，通过脚本自动化地进行剪切、粘贴、后处理等操作，生成数十万甚至上百万张带有精确真值掩码 (Ground-Truth, GT)的篡改图像。

• 评估指标 (Evaluation Metrics):

  • 由于篡改定位本质上是像素级别的二分类问题（篡改 vs. 真实），常用的评估指标源自于分割和分类任务。
  • F1分数 (F1-score): 精确率 (Precision) 和召回率 (Recall) 的调和平均数，综合衡量了模型的查准率和查全率，尤其适用于篡改区域（正样本）占比小的不平衡场景。 $$F _ { 1 } = 2 \times { \frac { P _ { \mathrm { r e c i s i o n } } \times R _ { \mathrm { e c a l l } } } { P _ { \mathrm { r e c i s i o n } } + R _ { \mathrm { e c a l l } } } }$$
  • ROC曲线下面积 (Area Under the Curve, AUC): 衡量模型在所有可能阈值下的总体分类性能，反映了模型区分正负样本的能力。AUC值越接近1，性能越好。
  • 交并比 (Intersection over Union, IoU): 预测的篡改区域与真实篡改区域的交集面积除以它们的并集面积。这是衡量分割任务中区域重合度的标准指标，值越接近1，定位越准确。 $$I _ { \mathrm { oU } } = { \frac { T _ { \mathrm { p } } } { T _ { \mathrm { p } } + F _ { \mathrm { p } } + F _ { \mathrm { N } } } }$$ 其中 $T_p$ (True Positive) 是正确预测的篡改像素，$F_p$ (False Positive) 是被错认为篡改的真实像素，$F_N$ (False Negative) 是未被检测出的篡改像素。

• 对比基线 (Baselines):

  • 论文在性能对比表格中列出了多个具有代表性的基线方法，如RGB-N、ManTra-Net、MVSS-Net等，这些都是近年来在顶级会议上发表的知名工作。

6. 实验结果与分析 (Results & Analysis)

论文通过汇总多个代表性方法在标准数据集上的性能数据（如原文中的表3、表4、表5），进行了深入的对比分析。

• 核心结果分析 (基于表3):

  • 多技术融合优势明显： 融合了多流信息、多尺度、边缘信息等多种关键技术的方法（如ERMPC, SAFL-Net）在性能上普遍优于采用单一策略的早期方法。
  • 大规模训练集至关重要： 绝大多数取得顶尖性能的方法都使用了大规模合成数据集进行训练，这表明数据量和多样性是提升模型泛化能力的关键。
  • 泛化能力普遍较差： 许多方法在一个数据集上表现优异，但在另一个数据集上性能却大幅下降。这表明当前模型容易对特定数据集的篡改模式产生过拟合 (overfitting)，难以应对现实世界中复杂多变的篡改手法。
  • Transformer潜力待发掘： 尽管Transformer在理论上具有优势，但目前基于该架构的方法在篡改检测任务上尚未取得超越CNN方法的绝对领先地位，其应用仍处于探索阶段。

• 有损后处理场景分析 (基于表4和表5):

  • 专用方法鲁棒性更强： 专门为应对JPEG压缩或社交网络传输而设计的方法（如CAT-Net、SCSE-Unet）在相应的有损场景下，性能显著优于那些只在标准数据集上训练的通用方法。这证明了研究现实场景下鲁棒性的必要性和有效性。

  • 可视化结果佐证： 论文中的可视化对比图（图9）直观地展示了不同方法的定位效果。可以看到，虽然多数方法能大致定位篡改区域，但在边缘精度、微小区域检测等方面仍有不足。

    该图像为图像篡改检测对比示意图，展示了在CASIAv1、NIST16、Coverage和Columbia四个数据集上，六种深度学习方法（MVSS-Net、PCSS-Net、CAT-Net、OSN、IML-VIT）对不同篡改类型（拼接、复制移动、删除）的检测效果。图中每组包括原始篡改图像及对应的真实掩码，随后是各方法检测出的篡改区域热图或掩码，直观反映各方法的检测准确性和定位能力差异。

7. 总结与思考 (Conclusion & Personal Thoughts)

• 结论总结 (Conclusion Summary):

  • 本文对近五年来基于深度学习的图像篡改检测方法进行了全面而系统的综述。通过提出一个基于共性关键技术的创新分类框架，论文清晰地梳理了该领域的技术脉络。同时，对主流数据集、评估指标和代表性方法的性能进行了详尽的对比分析，并特别强调了现实有损场景下的研究进展。

• 局限性与未来工作 (Limitations & Future Work):

  • 当前主要问题：
    1. 缺乏大规模权威数据集： 现有公开数据集规模不足，而自建合成数据集质量参差不齐且标准不一，阻碍了方法的公平比较和领域的健康发展。
    2. 跨数据集泛化性差： 模型对未见过的篡改类型和后处理操作的泛化能力有限。
    3. 对有损后处理鲁棒性不足： 现实世界的图像传播环境（如社交媒体）会严重破坏篡改痕迹，对检测构成了巨大挑战。
  • 未来发展方向展望：
    1. 提升对复杂攻击的鲁棒性： 重点研究在社交网络多次传输、混合压缩等复杂现实场景下的检测方法。
    2. 探索Transformer等新架构： 进一步发掘Transformer在全局关系建模上的潜力，并研究如何克服其计算量大、易过拟合的缺点。
    3. 少样本与弱监督学习： 鉴于标注数据获取困难，研究如何在少量甚至没有像素级标注的情况下进行有效训练，是一个有价值的方向。
    4. 应对AIGC伪造图像： 随着AI生成内容 (AI Generated Content, AIGC)技术（如DeepFake、Diffusion Models）的兴起，生成式伪造图像变得空前逼真。开发针对这类新型伪造图像的检测技术，将是未来图像取证领域的重中之重。

• 个人启发与批判 (Personal Insights & Critique):

  • 启发： 这篇综述写得非常出色，其最大的亮点在于分类框架的创新性。它没有停留在简单罗列模型的层面，而是提炼出了“多流融合”、“边缘监督”等可迁移、可组合的“技术组件”，为后续研究者设计新模型提供了清晰的思路。此外，对“现实场景”的关注点明了该领域从理论走向应用必须跨越的障碍。
  • 批判性思考：
    • 论文虽然提到了AIGC是未来的重要方向，但可能由于篇幅和发表时间的限制，对其着墨不多。未来的综述需要更深入地探讨AIGC伪造（特别是Diffusion Model生成的图像）与传统“复制-粘贴”式篡改在痕迹上的根本区别，以及检测思路的转变。
    • 在讨论数据集问题时，可以进一步探讨如何通过更先进的合成技术（如利用GAN或Diffusion Model生成更逼真的篡改样本）来弥补真实数据的不足，从而创建一个既大规模又高质量的“半合成”基准数据集。
    • 论文在性能对比时指出泛化性差的问题，未来的研究或许可以更多地借鉴域泛化 (Domain Generalization)领域的方法，训练一个在多种未知篡改类型上都能表现良好的通用模型。