El rápido avance de las herramientas de relleno de imágenes, especialmente aquellas destinadas a eliminar artefactos, ha hecho que la manipulación digital de imágenes sea alarmantemente accesible. Este artículo propone varias ideas innovadoras para detectar falsificaciones de relleno basadas en un análisis de ruido de bajo nivel mediante la combinación de la Transformada de Onda Compleja de Árbol Dual (DT-CWT) para la extracción de características con redes neuronales convolucionales (CNN) para la detección y localización de áreas falsificadas, y por último mediante la combinación innovadora de segmentación de texturas con estimaciones de varianza de ruido. La DT-CWT ofrece ventajas significativas debido a su invariancia de desplazamiento, mejorando su robustez contra manipulaciones sutiles durante el proceso de relleno. Además, su selectividad direccional permite la detección de artefactos sutiles introducidos por el relleno dentro de bandas de frecuencia y orientaciones específicas. Se evaluaron y propusieron varias arquitecturas de redes neuronales. Por último, proponemos un módulo de detección de fusión que combina el análisis de texturas con la estimación de varianza de ruido para dar el área falsificada. Además, para abordar las limitaciones de los conjuntos de datos de relleno existentes, particularmente su falta de separación clara entre regiones rellenadas y objetos eliminados, lo que puede favorecer inadvertidamente la detección, presentamos un nuevo conjunto de datos llamado Conjunto de Datos de Detección de Relleno Real. Nuestro enfoque se comparó con métodos de vanguardia y demostró un rendimiento superior sobre todas las alternativas citadas.