简介

概览

ForensicHub 是一个模块化、可配置、面向多任务图像篡改检测与定位（FIDL）场景的深度学习工具包，基于 PyTorch 开发。它支持以下功能：

• 统一复现四大任务（Deepfake、IMDL、AIGC、Document）中的 SoTA 模型
• 快速构建自己的图像取证模型 pipeline
• 自由组合多种不同领域数据集、模型、预处理与评估器，进行跨任务、跨域实验

设计理念与优势

ForensicHub 的设计理念是：提供科研级自由度 + 工程级规范性 + 多任务融合能力。在此理念指导下，ForensicHub 具备以下关键优势：

🚀 易于上手

• 模块设计清晰：通过四种组件解耦流程，注册各组件实现快速调用
• 轻代码配置：仅需配置 YAML 文件，即可完成数据加载、模型调用、评估流程

⚡ 高效运行

• GPU 加速评估指标：包含图像级与像素级 AUC、F1、IoU 等评价指标
• 自动代码生成器：提供 CLI 工具辅助构建定制 pipeline，极大加快实验搭建速度
• 支持并行评估与多卡训练，提升大规模实验效率

🔧 功能全面

• 支持四大图像取证任务，涵盖 23 个主流数据集，42 种 SoTA 模型，6 个视觉 Backbone
• 支持多种预处理变换，覆盖各领域不同预处理方式和数据增强
• 内置多种特征提取器（Sobel、BayarConv、DCT、FPH 等），可用于与任意视觉Backbones或领域种SoTA结合测试
• 提供 IFF-Protocol 融合训练协议，支持在混合任务上统一训练与评估
• 集成常用分析工具：参数统计、FLOPs、Grad-CAM、Tensorboard 可视化等
• 与 DeepfakeBench 和 IMDLBenCo 完全兼容，具备强扩展性

动机

虚假图像检测与定位领域长期存在以下问题：

• 统一领域分解为不同任务，不同任务使用孤立的 pipeline、数据集与评估指标，难以公平比较，并导致了各领域孤立发展，重复工作
• 许多 SoTA 方法未公开模型或训练代码，或缺乏复现指南
• 不同任务间迁移性研究缺失，难以发展通用检测模型

为了解决以上问题，ForensicHub 诞生于以下目标：

• 统一评估标准，规范研究流程：推动跨任务通用基准构建
• 降低复现门槛，鼓励开源共享：通过规范接口与模块设计简化开源工作
• 探索融合学习，推动 FIDL 发展：提供跨域模型训练与分析能力，助力发现泛化性强的新范式

我们相信，ForensicHub 将成为图像取证领域的重要基础设施，推动学术界与工业界迈向更公平、更健康、更协同的研究生态。