PulseAugur
中
实时 10:40:39
English(EN) DocQT: Improving Document Forgery Localization Robustness via Diverse JPEG Quantization Tables

新的 DocQT 方法提高了文档伪造检测的鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为 DocQT 的新方法，以提高文档伪造定位模型的鲁棒性。研究发现，由于训练数据的 JPEG 量化表与操作性文档工作流程中使用的各种量化表之间存在不匹配，当前模型在实际场景中的表现不佳。通过使用从真实保险文件中抽样的更广泛的量化表来训练模型，DocQT 显著提高了定位准确性并减少了误报，特别是对于明确包含量化表信息的架构。 AI

影响 提高了 AI 模型在实际应用中进行文档真实性验证的可靠性。

排序理由 详细介绍一种提高模型鲁棒性新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的 DocQT 方法提高了文档伪造检测的鲁棒性

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Kylian Ronfleux-Corail (L3I, ULR), Guillaume Bernard (L3I, ULR), Micka\"el Coustaty (L3I, ULR), Nicolas Sid\`ere (L3I, ULR) ·

    DocQT：通过多样化的 JPEG 量化表提高文档伪造定位鲁棒性

    arXiv:2605.19688v2 Announce Type: replace Abstract: Document manipulation localization models achieve strong performance on public benchmarks yet fail to generalize to operational document workflows. We identify a critical and overlooked source of this gap: the mismatch between t…

相关实体

相关话题