BioTamperNet：用于检测篡改生物医学图像的亲和性引导状态空间模型

基于摘要分析。该研究面向生物医学图像中的重复区域篡改检测，提出 BioTamperNet，通过亲和性引导的注意力捕捉图像内相似性和跨图像对应关系，并联合定位篡改区域及其来源区域。主要研究对象是生物医学图像取证，而非 EEG 解码或 BCI 算法。 核心机制方面，框架包含亲和性引导的自注意力模块与交叉注意力模块，分别用于图像内部和不同图像之间的关系建模；同时采用受 State Space Model（SSM）近似启发的轻量线性注意力机制，以支持高效、细粒度的定位。摘要说明模型采用端到端训练，但亲和性的计算方式、SSM 近似的具体形式、损失函数、监督标注及输入图像配对方式尚未验证，不能仅凭标题将其认定为标准 SSM 架构。 作者指出，主要在自然图像上训练的既有取证模型，在生物医学图像的细微篡改场景中往往表现不佳。作者报告，在生物医学图像取证基准数据集上的实验中，BioTamperNet 相较有竞争力的基线提高了重复区域检测表现；摘要未提供数据集名称、划分、基线名称、指标或具体数值，因此提升幅度及适用条件尚未验证。实验协议、消融及统计信息亦尚未验证。 复现时需要核对图像内重复与跨图像重复的任务设置、篡改及来源区域的标注方式，以及定位精度和计算效率的评估依据。摘要承诺将公开全部源代码和数据集，但当前材料不能确认已公开。该工作与科研图像完整性直接相关；材料未提供其机制对应 EEG 或 BCI 瓶颈的具体依据，因此不据此提出迁移效果或复现实验建议。