TGIF: Text-Guided Inpainting Forgery Dataset

随着生成式人工智能技术的出现，数字图像处理变得越来越易于访问和逼真。最近的发展使得基于文本的修复技术成为可能，使得最复杂的图像编辑只需要最少的努力即可完成。这给数字媒体取证带来了新的挑战。例如，基于扩散模型的方法可能会将修复区域拼接到原始图像中，或者重新生成整个图像。在后一种情况下，传统的图像伪造定位(IFL)方法通常会失败。本文介绍了Text-Guided Inpainting Forgery (TGIF)数据集，这是一个综合的图像集合，旨在支持图像伪造定位和合成图像检测(SID)方法的培训和评估。TGIF数据集包括约80k个伪造图像，来自流行的开源和商业方法；SD2、SDXL和Adobe Firefly。使用这些数据，我们对几种最先进的IFL和SID方法进行了基准测试。传统的IFL方法可以检测到拼接图像，但无法检测到重新生成的修复图像。此外，传统的SID可以检测到重新生成的修复图像是假的，但无法定位修复区域。最后，这两种方法在面对更强的压缩时都失败了，而对于现代压缩算法（如WEBP），它们的鲁棒性较低。因此，这项工作展示了现代生成式方法进行局部操作时最先进检测器的低效性，并希望有助于开发更具能力的IFL和SID方法。该数据集可在https://github.com/IDLabMedia/tgif-dataset下载。

本文旨在解决数字图像处理中的新问题：基于生成AI技术的文本引导修复技术，使得传统图像伪造检测方法无法有效检测到修复区域，需要开发更具能力的图像伪造检测方法。

本文提出了Text-Guided Inpainting Forgery (TGIF)数据集，包含了近80k张经过修复的图像，用于支持图像伪造检测和合成图像检测方法的训练和评估。实验结果表明，传统图像伪造检测方法无法有效检测到修复区域，需要开发更具能力的图像伪造检测方法。

本文的亮点包括：提出了TGIF数据集用于支持图像伪造检测和合成图像检测方法的训练和评估；实验结果表明，传统图像伪造检测方法无法有效检测到修复区域，需要开发更具能力的图像伪造检测方法；本文还探讨了实验中使用的数据集的压缩算法对图像伪造检测方法的影响。

近期相关研究包括：'Learning to Detect Fake Face Images in the Wild'、'Exposing DeepFake Videos By Detecting Face Warping Artifacts'等。