Towards a satellite image manipulation and deepfake localization benchmark dataset
作者: Jacob Arndt, Debvrat Varshney, Philipe Dias, Nivedita Nukavarapu
分类: cs.CV, cs.AI
发布日期: 2026-08-05
备注: Accepted at IEEE IGARSS 2026
🔗 代码/项目: HUGGINGFACE
💡 一句话要点
构建卫星图像操控与深伪检测基准数据集以解决验证真实性问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 卫星图像 深伪检测 图像取证 数据集构建 遥感技术
📋 核心要点
- 现有遥感领域缺乏高质量的细粒度操控数据集，无法有效评估操控定位算法的性能。
- 本文提出了一种初步的数据集构建方法，包含经过操控和真实的卫星图像，附带真实掩膜和元数据。
- 初步数据集的发布为图像取证和深伪检测研究提供了基础，促进了相关算法的训练与评估。
📝 摘要（中文）
随着生成性人工智能的进步，验证卫星图像的真实性变得愈发重要。为恶意目的生成的高度真实合成图像（深伪）在遥感领域可能造成重大影响，然而现有的高质量、细粒度操控数据集不足，无法有效支持检测和图像取证算法的训练与评估。本文描述了一种初步的数据集构建过程和原型基准数据集，包含60幅图像，其中30幅经过精心操控，30幅为真实图像，并附有真实掩膜和采集元数据，支持像素级定位指标和图像元数据研究。该数据集旨在推动图像取证和地理空间深伪检测的进一步研究。
🔬 方法详解
问题定义：本文旨在解决遥感领域中卫星图像真实性验证的挑战，现有数据集缺乏高质量的操控样本和真实掩膜，无法有效支持操控检测和定位算法的评估。
核心思路：通过构建一个包含操控和真实卫星图像的基准数据集，提供真实掩膜和采集元数据，支持像素级定位和图像元数据分析，从而填补现有数据集的空白。
技术框架：数据集包含60幅图像，分为30幅经过操控的图像（包括复制粘贴拼接和扩散模型修复）和30幅真实图像。每幅图像都附有真实掩膜和采集元数据，便于进行多维度的分析。
关键创新：最重要的创新在于提供了真实掩膜和详细的采集元数据，使得操控检测和定位的评估更加精确，与现有仅有合成图像的数据集相比，具有显著的优势。
关键设计：数据集中操控图像的生成采用了多种操控技术，并确保每幅图像都能提供相应的真实掩膜，便于后续算法的训练和评估。
🖼️ 关键图片
📊 实验亮点
初步数据集的构建为图像操控检测提供了新的基准，包含60幅图像，30幅经过操控，30幅为真实图像。每幅图像均附带真实掩膜和采集元数据，支持像素级定位评估，推动了遥感领域的深伪检测研究。
🎯 应用场景
该研究的潜在应用领域包括遥感图像的真实性验证、地理空间数据的监测与分析、以及相关领域的图像取证技术。通过提供高质量的数据集，研究者可以开发更为精确的检测算法，提升对深伪图像的识别能力，进而在科学应用、规划和监控等方面发挥重要作用。
📄 摘要（原文）
Verifying the authenticity of satellite imagery has become increasingly critical given advances in generative artificial intelligence. Highly realistic synthetic imagery produced for malicious purposes (deepfakes) can have major consequences in the remote sensing domain, where this data is a fundamental source of information for science applications, planning, logistics, and monitoring. The remote sensing community lacks high-quality, fine-grained manipulation datasets suitable for training and evaluating detection and image forensics algorithms. Existing datasets are lacking and those that do exist either provide no ground truth masks for evaluating manipulation localization, or consist of entire images generated by GANs or diffusion models, which are inadequate for measuring localization performance. To address this gap, we describe a preliminary dataset construction process and prototype benchmark dataset for satellite image manipulation detection and localization. The dataset contains 60 images total, with 30 images carefully manipulated using three manipulation types including copy-paste splicing and diffusion model inpainting, and 30 authentic images. Each image is accompanied by a ground-truth mask and acquisition metadata, enabling both pixel-level localization metrics, image metadata studies, and analyses of how manipulation detection performance relates to image collection parameters. We describe the dataset construction process and present this initial release to support further research in image forensics and geospatial deepfake detection. The prototype dataset can be downloaded at https://huggingface.co/datasets/geodf/fmow-fake-small.