M^3:Manipulation Mask Manufacturer for Arbitrary-Scale Super-Resolution Mask

在图像操纵定位（IML）领域，现有数据集数量较少且质量较差一直是主要问题。一个包含各种类型操纵的数据集将极大地帮助提高IML模型的准确性。互联网上的图像（例如百度贴吧的PS吧）使用各种技术进行操纵，从这些图像创建数据集将显著丰富我们的数据中的操纵类型。然而，互联网上的图像存在分辨率和清晰度问题，通过简单地从原始图像中减去操纵图像获得的掩码包含各种噪声。这些噪声难以去除，使得掩码不能用于IML模型。受变化检测领域的启发，我们将原始和操纵图像视为同一图像在时间上的变化，并将数据生成任务视为变化检测任务。然而，由于图像之间的清晰度问题，传统的变化检测模型表现不佳。因此，我们引入了超分辨率模块，并提出了操纵掩码制造商（MMM）框架。它增强了原始和篡改图像的分辨率，从而改善了图像细节以进行更好的比较。同时，该框架将原始和篡改图像转换为特征嵌入，并将它们连接起来，有效地建模了上下文。此外，我们创建了操纵掩码制造商数据集（MMMD），该数据集涵盖了广泛的操纵技术。我们旨在通过MMM和MMMD提供更真实的操纵数据，为图像取证和操纵检测领域做出贡献。有关MMMD的详细信息和下载链接可以在以下网址找到：代码和数据集将可供使用。

解决问题：论文试图解决图像操作本地化（IML）领域中数据集数量和质量不足的问题，提出了从互联网图片中生成包含多种操作类型的数据集的方法。

关键思路：将原始图像和操作后的图像视为同一图像在不同时间的变化，将数据生成任务视为变化检测任务。通过引入超分辨率模块，提高原始图像和操作后的图像的分辨率，同时将它们转化为特征嵌入，并将它们连接起来，以有效地建模上下文。

其他亮点：提出了Manipulation Mask Manufacturer (MMM)框架，用于生成包含多种操作类型的数据集Manipulation Mask Manufacturer Dataset (MMMD)。实验结果表明，MMM框架可以有效地提高数据集的质量，对图像操作本地化模型的准确性有所提升。论文提供了MMMD数据集和代码，可供进一步研究使用。

相关研究：最近的相关研究包括图像操作本地化和变化检测领域的研究。例如，Chen等人提出了一种基于深度学习的图像操作本地化方法（DeepI2M），用于检测图像中的多种操作类型。Zhou等人提出了一种基于卷积神经网络的变化检测方法，用于检测两个图像之间的变化。