SurFITR: 감시 영상 위조 탐지 및 위치 추정을 위한 데이터셋

SurFITR: A Dataset for Surveillance Image Forgery Detection and Localisation

본 연구에서는 최근 공개된 이미지 생성 모델의 발전으로 인해 시각적 증거의 위조 가능성에 대한 우려가 제기됨에 따라, 감시 영상 위조 탐지 및 위치 추정을 위한 데이터셋인 Surveillance Forgery Image Test Range (SurFITR)를 제시합니다. 기존의 위조 모델들은 전체 이미지 합성 또는 객체 중심 이미지의 넓은 영역 조작을 포함하는 데이터셋으로 훈련되었기 때문에, 다양한 시점, 작은 크기 또는 가려진 피사체, 낮은 화질을 가진 감시 환경으로의 일반화에 어려움을 겪습니다. 이러한 격차를 해소하기 위해, SurFITR은 다중 모드 LLM 기반 파이프라인을 통해 생성된, 다양한 감시 환경에서 의미론적으로 인식 가능한, 세밀한 편집이 가능한 대규모의 법의학적 가치가 높은 이미지 모음입니다. SurFITR은 다양한 해상도와 편집 유형을 가진 137,000개 이상의 위조된 이미지를 포함하며, 여러 이미지 편집 모델을 사용하여 생성되었습니다. 광범위한 실험 결과, 기존의 탐지기는 SurFITR 데이터셋에서 성능이 크게 저하되는 반면, SurFITR을 사용하여 훈련하면 동일 도메인 및 교차 도메인 성능이 크게 향상됨을 확인했습니다. SurFITR은 GitHub에서 공개적으로 이용 가능합니다.

We present the Surveillance Forgery Image Test Range (SurFITR), a dataset for surveillance-style image forgery detection and localisation, in response to recent advances in open-access image generation models that raise concerns about falsifying visual evidence. Existing forgery models, trained on datasets with full-image synthesis or large manipulated regions in object-centric images, struggle to generalise to surveillance scenarios. This is because tampering in surveillance imagery is typically localised and subtle, occurring in scenes with varied viewpoints, small or occluded subjects, and lower visual quality. To address this gap, SurFITR provides a large collection of forensically valuable imagery generated via a multimodal LLM-powered pipeline, enabling semantically aware, fine-grained editing across diverse surveillance scenes. It contains over 137k tampered images with varying resolutions and edit types, generated using multiple image editing models. Extensive experiments show that existing detectors degrade significantly on SurFITR, while training on SurFITR yields substantial improvements in both in-domain and cross-domain performance. SurFITR is publicly available on GitHub.