w为新的卷积核，w(0,0)为卷积核中心位置的数值。新的卷积结构只使用在第一层卷积中，从而实现图像预处理卷积核的自动学习。图5、图6分别展示了新的卷积结构和文章提出的网络结构图。
图5. 新卷积结构图示 固定卷积核中心位置数值为-1同时周围位置数值之和为1
图6. 新卷积算法网络结构图
3.重获取图像取证
重获取图像取证近几年开始受到取证工作者的关注。重获取操作是指原始图像被投影到新的媒介后被再次获取的过程。图7展示了常见的图像重获取操作流程。原始图像首先被投影到新得到媒介：电脑屏幕、手机屏幕、打印纸，然后对投影后的图像进行重新拍摄，形成重获取图像。
图7 图像重获取操作流程图
重获取图像取证有重要的研究价值，对于篡改操作后的图像通常会在图像中留下指纹性的操作痕迹，消除这些痕迹的最简单的方式就是对篡改后的图像进行重新获取。因其操作的简易性被很多篡改者使用。重获取图像取证通过辨别图像是否经过重获取操作对图像操作历史的鉴别具有重要意义。另一方面，随着人脸识别身份系统的快速发展和广泛使用，一些不法分子试图通过一些手段欺骗身份识别系统，活体检测技术的使用为身份识别系统提供了一层保障，然后face2face系统的推出又为活体检测提出了挑战。重获取图像取证作为一种新的技术手段可以有效地增强身份识别系统的鲁棒性。
基于深度学习的方法，我们提出了一种拉普拉斯卷积神经网络算法检测重获取图像。网络结构如图8所示，对于输入图像我们首先利用信号增强层放大重获取噪声信号，然后利用5个卷积层进行特征提取，最后使用全连接层作为特征分类层。我们提出的算法在不同尺寸的图像库上实现了95%以上的检测性能。
图8. 拉普拉斯卷积神经网络结构图
4.反反取证
Jingjing Yu, Xiangui Kang等将卷积神经网络应用在多类反反取证问题上。随着取证技术的发展，对抗取证的研究也随之兴起，称为反取证研究。反取证是针对于特定的取证技术提出使其失效的算法。该工作是针对于多种反取证算法进行取证，故而称为反反取证。文章提出的网络结构如下所示，四层卷积结构以及两层全连接结构。文章关注了四类反取证问题：JPEG压缩、中值滤波、重采样、对比度增强，根据文章报告的实验结果，平均检测准确率达到了96.9%。
图9. 反反取证算法网络结构图
5.隐写分析
把隐写分析列在这里，是因为隐写分析与取证领域存在极深的渊源。两者虽需要解决的具体问题不同，但是方法论本质上具有一致性，都是探寻微弱“噪声”信号的存在。隐写分析领域和图像取证领域的发展是相辅相成的，两者针对各自领域提出的有效算法通常在彼领域也能得到很好的应用。比如隐写分析领域常用的Rich Models、SPM算法都被应用于取证领域并取得了state-of-the-art的检测性能。