PRNU-Bench

PRNU-Bench是一个用于相机识别的基准数据集，包含从126个独特的传感器采集的12,960张图片，这些传感器来自114个设备，涵盖了智能手机、平板电脑、网络摄像头、视频相机和无反光镜相机等多个类别。数据集通过在特定环境中从不同的视角采集图片，确保了图片内容的多样性，并且所有图片都是在自然场景下拍摄的，以便更好地模拟现实世界的使用情况。该数据集还包含2021年至2024年间发布的最新设备型号，为相机识别提供了更具挑战性的评估。PRNU-Bench is a benchmark dataset dedicated to camera identification. It comprises 12,960 images collected from 126 unique sensors across 114 devices, covering various categories including smartphones, tablets, webcams, video cameras and mirrorless cameras. The dataset ensures the diversity of image content by capturing images from different perspectives in a specific environment, and all images are taken in natural scenes to better simulate real-world usage scenarios. Additionally, the dataset includes the latest device models released between 2021 and 2024, providing a more challenging evaluation benchmark for camera identification tasks.

搜集汇总

数据集介绍

构建方式

PRNU-Bench数据集通过系统化的采集协议构建而成，涵盖126个独立传感器采集的12,960张图像。所有图像均在办公室环境中拍摄，每个传感器分别从两个对立视角各采集50张自然场景图像，确保训练集与测试集在视觉内容上完全分离。数据采集过程严格避免使用均匀白图像（如VISION数据集中的“扁平图像”），仅保留真实场景图像以模拟实际取证条件。这种设计有效消除了基于图像内容的虚假相关性，迫使模型专注于设备固有的传感器噪声特征。

特点

该数据集的核心特点在于其设备多样性与时效性，覆盖智能手机、平板电脑、网络摄像头、运动相机和微单相机等多种设备类型，且包含2021至2024年发布的最新机型。图像分辨率范围从1920×1080至5568×4872像素，显著高于现有同类数据集。通过将数据按视角划分为注册集（第一视角）与识别集（第二视角），PRNU-Bench构建了具有挑战性的“野外”评估环境，有效检验模型对未知场景的泛化能力。与Dresden、VISION等传统数据集相比，其设备新颖度与场景一致性更为突出。

使用方法

使用PRNU-Bench时需遵循其严格的数据划分规则：预训练阶段仅使用50个传感器的第一视角图像，其余76个传感器专用于评估。每个设备的参考PRNU指纹仅通过5张图像提取，以模拟实际取证中样本稀缺的场景。评估时，模型需将注册集提取的指纹与识别集的噪声残差进行匹配，其中多分辨率策略可提升鲁棒性——通过加权融合不同尺度（如1024×1024、1400×1400）的相似度得分，结合神经网络预测与传统归一化互相关（NCC）方法，最终输出设备识别结果。该设计支持1:N验证，适用于未知设备的开集识别任务。

背景与挑战

背景概述

数字图像取证领域对设备溯源能力的需求日益增长，PRNU-Bench作为2025年由布加勒斯特大学团队提出的新型基准数据集，聚焦于基于光响应非均匀性（PRNU）的相机识别技术。该数据集包含126台相机拍摄的1.3万张图像，覆盖智能手机、平板、无反相机等多元设备类型，其创新性在于通过办公室双视角采集策略，有效规避了图像内容对设备特征识别的干扰。作为当前涵盖2024年最新设备的PRNU数据集，它填补了传统数据集如Dresden、VISION等设备陈旧、场景单一的空白，为多媒体取证研究提供了更贴近真实场景的评估平台。

当前挑战

PRNU-Bench针对的相机识别任务面临两大核心挑战：一是PRNU信号作为传感器固有噪声模式，在低分辨率图像或强压缩场景下易被削弱，导致跨设备泛化能力受限；二是数据构建过程中需平衡设备多样性与采集一致性，避免因场景差异引入虚假关联。具体而言，数据集通过严格分离训练与测试视角，迫使模型依赖设备指纹而非内容特征，但这也增加了PRNU信号在异构传感器间的提取难度，尤其面对新型高分辨率设备时，传统去噪方法对制造工艺差异的适应性面临严峻考验。

常用场景

经典使用场景

在数字图像取证领域，PRNU-Bench作为评估相机源识别技术的基准数据集，其经典应用场景体现在对自然场景图像中传感器指纹的提取与比对。该数据集通过在不同视角下采集图像的设计，有效模拟了真实环境中设备识别的挑战性条件，使研究人员能够验证PRNU估计方法在跨场景泛化能力上的表现。其包含的120余种现代相机设备为算法提供了丰富的噪声模式样本，尤其适用于测试基于深度学习的指纹匹配模型在未知设备上的识别精度。

衍生相关工作

围绕PRNU-Bench衍生的经典工作主要集中在多分辨率融合与端到端识别框架的创新上。例如基于哈达玛积的神经网络比对方法突破了传统对比学习的局限，催生了如Restormer去噪器与ResNet编码器结合的混合架构；后续研究则进一步探索了不同分辨率下PRNU信号的互补性，通过加权聚合策略提升了对图像缩放鲁棒性。这些工作共同推动了相机识别从实验室向实际取证场景的过渡，为VISION、Dresden等旧有数据集的算法迁移提供了跨基准验证范例。

数据集最近研究

最新研究方向

随着数字图像取证领域对媒体真实性与来源追溯需求的日益增长，PRNU-Bench作为新兴基准数据集，推动了基于传感器模式噪声的相机识别技术向实用化迈进。该数据集涵盖126款新型设备的高分辨率自然场景图像，其独特的跨视角数据划分机制有效避免了模型对图像内容的依赖，促使研究聚焦于设备指纹的本质特征。前沿工作如Croitoru等人提出的哈达玛积融合架构，通过多分辨率加权策略显著提升了在有限参考图像下的识别精度，将Top-1准确率提升约14%，为应对生成式AI带来的伪造挑战提供了可泛化的解决方案。这一进展不仅填补了现有数据集中设备陈旧、类型单一的空白，更通过开放数据与代码促进了领域内方法的可复现性与横向比较。

相关研究论文

• PRNU-Bench: A Novel Benchmark and Model for PRNU-Based Camera Identification

  布加勒斯特大学 · 2025年