Framework de aprendizado contínuo busca manter a localização forense de forgery em imagens atualizada contra novas técnicas
O artigo propõe o primeiro framework de aprendizado contínuo para localização de manipulação em imagens (IFL), endereçando o fato de que modelos treinados em um conjunto fixo de técnicas de forgery se degradam rapidamente quando surgem novos geradores. A solução combina roteamento espacial de "especialistas forenses", conversão de vestígios de baixo nível em prompts estruturados para o modelo Segment Anything (SAM), e uma técnica de ajuste de gradiente ponderado por informação de Fisher para evitar que o modelo esqueça forgeries antigas ao aprender as novas.
Fonte ↗