Neural-PRNU-Extractor
Projektübersicht
Neural-PRNU-Extractor ist eine modifizierte PyTorch-Implementierung der FFDNet Bildentrauschungstechnik. Ursprünglich als Teil des Signal-, Bild- und Videokurses für den Masterstudiengang in Künstlicher Intelligenz und Informatik an der Universität Trient entwickelt, erweitert dieses Projekt die Fähigkeiten von FFDNet.
Hauptmerkmale
-
PRNU-Extraktion: Anders als das ursprüngliche FFDNet konzentriert sich diese modifizierte Version auf die Extraktion der PRNU (Photo Response Non-Uniformity) der Kameras.
-
Trainingsoptionen: Neural-PRNU-Extractor bietet die Flexibilität, das Netzwerk mit dem Wiener Filter als Rauschextraktionsstrategie zu trainieren, zusätzlich zu der in der FFDNet-Veröffentlichung beschriebenen Methode.
Projektziel
Das Hauptziel von Neural-PRNU-Extractor ist die Rauschunterdrückung in Bildern. Es zielt darauf ab, Rauschen aus Bildern, die von Digital- und Filmkameras aufgenommen wurden, vorherzusagen und zu entfernen, um ihre Eignung für verschiedene Anwendungen im Bereich der Computer Vision zu verbessern. Das Projekt kann Rauschpegel (\(\sigma \in [0, 75]\)) in Bildern effektiv vorhersagen.Darüber hinaus kann Neural-PRNU-Extractor PRNU-Muster basierend auf einem Datensatz flacher Bilder berechnen und auswerten und so das spezifische Gerät identifizieren, das ein Bild erzeugt hat. PRNU (Photo Response Non-Uniformity) ist ein entscheidender Faktor in digitalen Bildsensoren, die häufig in Kameras und optischen Instrumenten zu finden sind, und macht sie zu einem wertvollen Werkzeug zur Geräteidentifizierung und -verifizierung.
Die PRNU-Extraktionspipeline kann hier eingesehen werden: PDF herunterladen
Mitwirkende
- Samuele Bortolotti
- Simone Alghisi
- Massimo Rizzoli