这篇论文提出了一个概念叫做“图像免疫”，意思是对图像进行一定的变换，让它能够在被篡改后可以定位得到它的被篡改位置，并可以恢复出原始图像信息
最近几年有很多利用深度学习的图像恢复技术，例如基于GAN inversion的图像重构、image inpainting等等，取得了很不错的效果。但是，基于此类技术的恢复经常会虚构或猜测（hallucinate）图像丢失的信息，而不是真正恢复它们（reconstruct）。例如，image inpainting中有很多方法是通过寻找背景区域中与需要填补区域相关性最大的小块作为信息源，从而实现图像修复，这必然会带来一个结果就是恢复后的图像虽然看起来质量很好，且比较真实，但是却和原始图像差异很大。而我们的paper则可以解决这个image fidelity的问题
一、contributions
本文首次提出结合深度学习的图像自恢复技术 （IMUGE），IMUGE 对原始图像进行较小的转换以 创建免疫图像。接收者收到带有恶意攻击（例如篡 改）的免疫图像后，将删除这些修改并恢复原始内 容。在对抗训练的帮助下，生成的免疫图像在视觉 上与原始图像相同，并且恢复后的图像具有很高的 视觉质量。 IMUGE 被认为是第一个进行图像内容 恢复的强大框架。实验结果证明了 IMUGE 的有效 性，可以在抵抗善意攻击的同时高质量地恢复原始 图像，具有一定实用价值。
但是，本文提出的技术也存在一定的局限性， 例如，对于纹理丰富的图像，该技术很难将原始图 像的细节完全恢复出来，而只能恢复出以低频信号 为主的轮廓信息，另外，本文提出的技术使用的网 络上也存在一定改进空间，最近，随着空洞卷积、 Attention 机制等新技术的提出，许多计算机任务在 效果上都得到了很大的提升。因此，今后，可以从 多个角度提升图像自恢复技术的效果。
二、method
https://zhuanlan.zhihu.com/p/414681884