CN114842034B - 一种基于放大模糊操作痕迹的图片真假检测方法 - Google Patents
一种基于放大模糊操作痕迹的图片真假检测方法 Download PDFInfo
- Publication number
- CN114842034B CN114842034B CN202210413133.6A CN202210413133A CN114842034B CN 114842034 B CN114842034 B CN 114842034B CN 202210413133 A CN202210413133 A CN 202210413133A CN 114842034 B CN114842034 B CN 114842034B
- Authority
- CN
- China
- Prior art keywords
- picture
- recons
- image
- supv
- face
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000004913 activation Effects 0.000 claims description 18
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000008014 freezing Effects 0.000 claims 1
- 238000007710 freezing Methods 0.000 claims 1
- 230000001568 sexual effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
一种基于放大模糊操作痕迹的图片真假检测方法,通过重建图片的边缘轮廓图,来放大图片篡改过程中模糊操作所造成的边缘痕迹的影响,对于真假图片通过对应的期望重建图来监督训练,从而生成预期的重建效果,以此来让分类器更简单的进行判定。该方法是在之前的只关注痕迹本身的检测方法的基础上做出的改进,通过放大痕迹从而更加清晰的找到真假图片之间的差异性。通过该发明可以有效的提高图片真假检测的精度和泛化性,从而降低篡改图片所造成的危害。
Description
技术领域
本发明涉及深度伪造图片真假检测方法技术领域,具体涉及一种基于放大模糊操作痕迹的图片真假检测方法。
背景技术
常见的深度伪造图片的生成流程是:检测并裁剪面部图片,提取面部图片的中间特征表示,接着根据一些驱动信息(例如:另一张脸)生成新的面部内容,最后将生成的假脸替换目标图片中的真脸,最后通过模糊等修饰操作消除拼接痕迹。因为该模糊操作会平滑图像、羽化边缘,所以可以用来淡化或者消除图像篡改造成的拼接边缘。但是模糊操作是从人脸开始向内外发散的,所以也会弱化脸内部本身的边缘轮廓痕迹。
当前的基于模糊操作的图片真假检测方法都是直接对图片提取本身的面部轮廓信息,然后放进卷积神经网络等分类器里面进行判断,但是这种方法不仅忽略了脸内部五官等部分因模糊操作所造成的影响,而且对于质量较高的假脸很难进行判定真假,存在很大的局限性,难以应用普及。
发明内容
本发明为了克服以上技术的不足,提供了一种有效的提高图片真假检测的精度和泛化性的基于放大模糊操作痕迹的图片真假检测方法。
本发明克服其技术问题所采用的技术方案是:
一种基于放大模糊操作痕迹的图片真假检测方法,包括如下步骤:
a)定位图片中的人脸标志点,根据人脸标志点切出人脸部分图像I;
b)根据人脸部分图像I通过sobel算子提取出人脸的边缘轮廓图G;
c)将人脸的边缘轮廓图G通过Attention U-Net网络进行重建,得到重建图片Irecons,对重建图片Irecons进行消除噪声操作;
d)通过公式计算得到重建图片Irecons的正则项所产生的损失Lrecons,xi,j为重建图片Irecons横坐标为i且纵坐标为j时的像素值,i∈{1,...,N},j∈{1,...,M},N为重建图片Irecons横向像素点个数,M为重建图片Irecons纵向像素点个数,xi,j-1为重建图片Irecons横坐标为i且纵坐标为j-1时的像素值,xi+1,j为重建图片Irecons横坐标为i+1且纵坐标为j时的像素值,β为权重系数;
e)将人脸部分图像I通过二维的高斯函数处理得到图像I′,图像I′通过计算sobel算子得到梯度方向的值,即图片G′;
f)将图片G′中像素点像素值大于等于50小于等于150的像素点保留,其它像素点均设为0,得到监督图片Isupv,假脸的监督图片Isupv设置为纯黑图片;
g)建立改进的Siamese网络,将监督图片Isupv和重建图片Irecons输入到改进的Siamese网络中,分别得到特征表示outsupv和outrecons;
i)将重建图片Irecons通过transformer encoder的结构作为分类器,输出得到预测值pi,将预测值pi经过Sigmoid激活函数处理得到预测结果,如果预测结果是1,则该图片所在的视频为真的视频,如果预测结果是0,则该图片所在的视频为假的视频,完成构建的Edge-ViT网络模型;
k)通过公式L=θ1Lrecons+θ2Lcontra+θ3Lclass计算得到总损失L;
l)采用SGD优化器利用总损失L对Edge-ViT网络模型进行训练更新;
m)将待检测的图片输入到训练后的Edge-ViT网络模型中,输出得到预测值pi,将预测值pi经过Sigmoid激活函数处理得到预测结果,如果预测结果是1,则该图片所在的视频为真的视频,如果预测结果是0,则该图片所在的视频为假的视频。
进一步的,步骤a)中通过dlib库定位图片中的人脸标志点。
进一步的,步骤b)中通过sobel算子提取出人脸的边缘轮廓图G的方法为:通过公式计算得到人脸部分图像I经横向边缘检测的图像Gx,通过公式计算得到人脸部分图像I经纵向边缘检测的图像Gy,通过公式计算得到人脸的边缘轮廓图G。
进一步的,步骤c)中通过Total Variation Loss来消除重建图片Irecons中的噪声。
优选的,步骤d)中β取值为1。
进一步的,步骤e)包括如下步骤:
进一步的,步骤g)包括如下步骤:
g-1)改进的Siamese网络依次由第一卷积块、第二卷积块、全局平均池化层、第一线性块、第二线性块、第三卷积块、第三线性块、第四线性块构成;
g-2)第一卷积块和第二卷积块均依次由卷积核大小为5×5、stride为2、padding为2的卷积层,BatchNorm2d层,ReLU激活函数层构成,将监督图片Isupv和重建图片Irecons依次输入到第一卷积块和第二卷积块后,分别输出得到特征Fsupv和Frecons;
g-3)第一线性块和第二线性块均依次由线性层和ReLU激活函数层构成,将特征Fsupv和Frecons依次输入到全局平均池化层、第一线性块、第二线性块中,分别输出得到精炼后的特征F′supv和F′recons;
g-4)第三卷积块依次由卷积核大小为5×5、stride为2、padding为2的卷积层,BatchNorm2d层,ReLU激活函数层构成,第三线性块和第四线性块均依次由线性层和ReLU激活函数层构成,将精炼后的特征F′supv和F′recons依次输入到第三卷积块、第三线性块和第四线性块后,分别输出得到特征表示outsupv和outrecons。进一步的,步骤l)中训练完成后,冻结网络权重,保存检查点。
本发明的有益效果是:通过重建图片的边缘轮廓图,来放大图片篡改过程中模糊操作所造成的边缘痕迹的影响,对于真假图片通过对应的期望重建图来监督训练,从而生成预期的重建效果,以此来让分类器更简单的进行判定。该方法是在之前的只关注痕迹本身的检测方法的基础上做出的改进,通过放大痕迹从而更加清晰的找到真假图片之间的差异性。通过该发明可以有效的提高图片真假检测的精度和泛化性,从而降低篡改图片所造成的危害。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种基于放大模糊操作痕迹的图片真假检测方法,包括如下步骤:
a)定位图片中的人脸标志点,根据人脸标志点切出人脸部分图像I。
b)根据人脸部分图像I通过sobel算子提取出人脸的边缘轮廓图G。
c)将人脸的边缘轮廓图G通过Attention U-Net网络进行重建,得到重建图片Irecons,对重建图片Irecons进行消除噪声操作。
d)通过公式计算得到重建图片Irecons的正则项所产生的损失Lrecons,xi,j为重建图片Irecons横坐标为i且纵坐标为j时的像素值,i∈{1,...,N},j∈{1,...,M},N为重建图片Irecons横向像素点个数,M为重建图片Irecons纵向像素点个数,xi,j-1为重建图片Irecons横坐标为i且纵坐标为j-1时的像素值,xi+1,j为重建图片Irecons横坐标为i+1且纵坐标为j时的像素值,β为权重系数。
e)为了保证能够重建出需要的边缘轮廓图,对真脸和假脸分别采用不同的监督图片进行监督训练。对于真脸的重建图,使用原始人脸I经过canny算子的边缘轮廓图像进行监督训练。具体的:将人脸部分图像I通过二维的高斯函数处理得到图像I′,得到的图像I′计算梯度值和方向,图像I′通过计算sobel算子得到梯度方向的值,即图片G′,图片G′即为人脸部分图像I经过计算梯度值和方向后的图片。
f)将图片G′中像素点像素值大于等于50小于等于150的像素点保留,其它像素点均设为0,得到监督图片Isupv,假脸的监督图片Isupv设置为纯黑图片。
g)建立改进的Siamese网络,将监督图片Isupv和重建图片Irecons输入到改进的Siamese网络中,分别得到特征表示outsupv和outrecons。
i)将重建图片Irecons通过transformer encoder的结构作为分类器,输出得到预测值pi,将预测值pi经过Sigmoid激活函数处理得到预测结果,如果预测结果是1,则该图片所在的视频为真的视频,如果预测结果是0,则该图片所在的视频为假的视频,完成构建的Edge-ViT网络模型。
k)通过公式L=θ1Lrecons+θ2Lcontra+θ3Lclass计算得到总损失L。
l)采用SGD优化器利用总损失L对Edge-ViT网络模型进行训练更新;
m)将待检测的图片输入到训练后的Edge-ViT网络模型中,输出得到预测值pi,将预测值pi经过Sigmoid激活函数处理得到预测结果,如果预测结果是1,则该图片所在的视频为真的视频,如果预测结果是0,则该图片所在的视频为假的视频。
通过Attention U-Net重建图片的边缘轮廓图来放大真假脸因模糊操作而产生的边缘差异性。重建过程中对真假脸分别用不同的图片来进行监督训练从而得到我们想要的边缘图。最后选择transformer-encoder作为分类器来对重建出来的图片进行分类判定真假。通过重建图片的边缘轮廓图,来放大图片篡改过程中模糊操作所造成的边缘痕迹的影响,对于真假图片通过对应的期望重建图来监督训练,从而生成预期的重建效果,以此来让分类器更简单的进行判定。该方法是在之前的只关注痕迹本身的检测方法的基础上做出的改进,通过放大痕迹从而更加清晰的找到真假图片之间的差异性。通过该发明可以有效的提高图片真假检测的精度和泛化性,从而降低篡改图片所造成的危害。
实施例1:
步骤a)中通过dlib库定位图片中的人脸标志点。
实施例2:
步骤b)中,人脸部分图像I的每一个像素的横向及纵向梯度近似值,也就是经过sobel算子的输出图片G方法为:通过公式计算得到人脸部分图像I经横向边缘检测的图像Gx,通过公式计算得到人脸部分图像I经纵向边缘检测的图像Gy,通过公式计算得到人脸的边缘轮廓图G。
实施例3:
进一步的,步骤c)中通过Total Variation Loss(TV Loss)来消除重建图片Irecons中的噪声。
实施例4:
优选的,步骤d)中β取值为1。
实施例5:
进一步的,步骤e)包括如下步骤:
实施例6:
进一步的,步骤g)包括如下步骤:
g-1)改进的Siamese网络依次由第一卷积块、第二卷积块、全局平均池化层、第一线性块、第二线性块、第三卷积块、第三线性块、第四线性块构成;
g-2)第一卷积块和第二卷积块均依次由卷积核大小为5×5、stride为2、padding为2的卷积层,BatchNorm2d层,ReLU激活函数层构成,将监督图片Isupv和重建图片Irecons依次输入到第一卷积块和第二卷积块后,分别输出得到特征Fsupv和Frecons;
g-3)第一线性块和第二线性块均依次由线性层和ReLU激活函数层构成,将特征Fsupv和Frecons依次输入到全局平均池化层、第一线性块、第二线性块中,分别输出得到精炼后的特征F′supv和F′recons;
g-4)第三卷积块依次由卷积核大小为5×5、stride为2、padding为2的卷积层,BatchNorm2d层,ReLU激活函数层构成,第三线性块和第四线性块均依次由线性层和ReLU激活函数层构成,将精炼后的特征F′supv和F′recons依次输入到第三卷积块、第三线性块和第四线性块后,分别输出得到特征表示outsupv和outrecons。
实施例7:
进一步的,步骤l)中训练完成后,冻结网络权重,保存检查点。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于放大模糊操作痕迹的图片真假检测方法,其特征在于,包括如下步骤:
a)定位图片中的人脸标志点,根据人脸标志点切出人脸部分图像I;
b)根据人脸部分图像I通过sobel算子提取出人脸的边缘轮廓图G;
c)将人脸的边缘轮廓图G通过Attention U-Net网络进行重建,得到重建图片Irecons,对重建图片Irecons进行消除噪声操作;
d)通过公式计算得到重建图片Irecons的正则项所产生的损失Lrecons,xi,j为重建图片Irecons横坐标为i且纵坐标为j时的像素值,i∈{1,...,N},j∈{1,...,M},N为重建图片Irecons横向像素点个数,M为重建图片Irecons纵向像素点个数,xi,j-1为重建图片Irecons横坐标为i且纵坐标为j-1时的像素值,xi+1,j为重建图片Irecons横坐标为i+1且纵坐标为j时的像素值,β为权重系数;
e)将人脸部分图像I通过二维的高斯函数处理得到图像I′,图像I′通过计算sobel算子得到梯度方向的值,即图片G′;
f)将图片G′中像素点像素值大于等于50小于等于150的像素点保留,其它像素点均设为0,得到监督图片Isupv,假脸的监督图片Isupv设置为纯黑图片;
g)建立改进的Siamese网络,将监督图片Isupv和重建图片Irecons输入到改进的Siamese网络中,分别得到特征表示outsupv和outrecons;
i)将重建图片Irecons通过transformer encoder的结构作为分类器,输出得到预测值pi,将预测值pi经过Sigmoid激活函数处理得到预测结果,如果预测结果是1,则该图片所在的视频为真的视频,如果预测结果是0,则该图片所在的视频为假的视频,完成构建的Edge-ViT网络模型;
k)通过公式L=θ1Lrecons+θ2Lcontra+θ3Lclass计算得到总损失L;
l)采用SGD优化器利用总损失L对Edge-ViT网络模型进行训练更新;
m)将待检测的图片输入到训练后的Edge-ViT网络模型中,输出得到预测值pi,将预测值pi经过Sigmoid激活函数处理得到预测结果,如果预测结果是1,则该图片所在的视频为真的视频,如果预测结果是0,则该图片所在的视频为假的视频。
2.根据权利要求1所述的基于放大模糊操作痕迹的图片真假检测方法,其特征在于:步骤a)中通过dlib库定位图片中的人脸标志点。
4.根据权利要求1所述的基于放大模糊操作痕迹的图片真假检测方法,其特征在于,步骤c)中通过Total Variation Loss来消除重建图片Irecons中的噪声。
5.根据权利要求1所述的基于放大模糊操作痕迹的图片真假检测方法,其特征在于,步骤d)中β取值为1。
7.根据权利要求1所述的基于放大模糊操作痕迹的图片真假检测方法,其特征在于,步骤g)包括如下步骤:
g-1)改进的Siamese网络依次由第一卷积块、第二卷积块、全局平均池化层、第一线性块、第二线性块、第三卷积块、第三线性块、第四线性块构成;
g-2)第一卷积块和第二卷积块均依次由卷积核大小为5×5、stride为2、padding为2的卷积层,BatchNorm2d层,ReLU激活函数层构成,将监督图片Isupv和重建图片Irecons依次输入到第一卷积块和第二卷积块后,分别输出得到特征Fsupv和Frecons;
g-3)第一线性块和第二线性块均依次由线性层和ReLU激活函数层构成,将特征Fsupv和Frecons依次输入到全局平均池化层、第一线性块、第二线性块中,分别输出得到精炼后的特征F′supv和F′recons;
g-4)第三卷积块依次由卷积核大小为5×5、stride为2、padding为2的卷积层,BatchNorm2d层,ReLU激活函数层构成,第三线性块和第四线性块均依次由线性层和ReLU激活函数层构成,将精炼后的特征F′supv和F′recons依次输入到第三卷积块、第三线性块和第四线性块后,分别输出得到特征表示outsupv和outrecons。
8.根据权利要求1所述的基于放大模糊操作痕迹的图片真假检测方法,其特征在于:步骤l)中训练完成后,冻结网络权重,保存检查点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210413133.6A CN114842034B (zh) | 2022-04-19 | 2022-04-19 | 一种基于放大模糊操作痕迹的图片真假检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210413133.6A CN114842034B (zh) | 2022-04-19 | 2022-04-19 | 一种基于放大模糊操作痕迹的图片真假检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114842034A CN114842034A (zh) | 2022-08-02 |
CN114842034B true CN114842034B (zh) | 2022-12-02 |
Family
ID=82565863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210413133.6A Active CN114842034B (zh) | 2022-04-19 | 2022-04-19 | 一种基于放大模糊操作痕迹的图片真假检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842034B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311720B (zh) * | 2022-08-11 | 2023-06-06 | 山东省人工智能研究院 | 一种基于Transformer的deepfake生成方法 |
CN116453199B (zh) * | 2023-05-19 | 2024-01-26 | 山东省人工智能研究院 | 基于复杂纹理区域伪造痕迹的gan生成人脸检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062872A (zh) * | 2019-12-17 | 2020-04-24 | 暨南大学 | 一种基于边缘检测的图像超分辨率重建方法及*** |
CN112102261A (zh) * | 2020-08-28 | 2020-12-18 | 国网甘肃省电力公司电力科学研究院 | 一种基于多尺度生成对抗网络的篡改图像检测方法 |
CN112990031A (zh) * | 2021-03-23 | 2021-06-18 | 大连理工大学 | 一种基于改进孪生网络用于检测篡改人脸视频和图像的方法 |
WO2021217764A1 (zh) * | 2020-04-27 | 2021-11-04 | 天津中科智能识别产业技术研究院有限公司 | 一种基于偏振成像的人脸活体检测方法 |
CN113837147A (zh) * | 2021-10-29 | 2021-12-24 | 山东省人工智能研究院 | 一种基于transformer的假视频检测方法 |
CN113989586A (zh) * | 2021-10-26 | 2022-01-28 | 山东省人工智能研究院 | 一种基于人脸几何运动特征的真假视频检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220635A (zh) * | 2017-06-21 | 2017-09-29 | 北京市威富安防科技有限公司 | 基于多造假方式的人脸活体检测方法 |
CN110929635B (zh) * | 2019-11-20 | 2023-02-10 | 华南理工大学 | 基于信任机制下面部交并比的假脸视频检测方法及*** |
CN112949469A (zh) * | 2021-02-26 | 2021-06-11 | 中国科学院自动化研究所 | 针对人脸篡改图像特点分布的图像识别方法、***及设备 |
CN112801037A (zh) * | 2021-03-01 | 2021-05-14 | 山东政法学院 | 一种基于连续帧间差异的人脸篡改检测方法 |
CN113012172B (zh) * | 2021-04-09 | 2023-10-03 | 杭州师范大学 | 一种基于AS-UNet的医学图像分割方法及*** |
-
2022
- 2022-04-19 CN CN202210413133.6A patent/CN114842034B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062872A (zh) * | 2019-12-17 | 2020-04-24 | 暨南大学 | 一种基于边缘检测的图像超分辨率重建方法及*** |
WO2021217764A1 (zh) * | 2020-04-27 | 2021-11-04 | 天津中科智能识别产业技术研究院有限公司 | 一种基于偏振成像的人脸活体检测方法 |
CN112102261A (zh) * | 2020-08-28 | 2020-12-18 | 国网甘肃省电力公司电力科学研究院 | 一种基于多尺度生成对抗网络的篡改图像检测方法 |
CN112990031A (zh) * | 2021-03-23 | 2021-06-18 | 大连理工大学 | 一种基于改进孪生网络用于检测篡改人脸视频和图像的方法 |
CN113989586A (zh) * | 2021-10-26 | 2022-01-28 | 山东省人工智能研究院 | 一种基于人脸几何运动特征的真假视频检测方法 |
CN113837147A (zh) * | 2021-10-29 | 2021-12-24 | 山东省人工智能研究院 | 一种基于transformer的假视频检测方法 |
Non-Patent Citations (3)
Title |
---|
Detection and localization of image forgeries using improved mask regional convolutional neural network;Xinyi Wang et al.;《mathematics biosciences and engineering》;20190523;全文 * |
Developing an Image Manipulation Detection Algorithm Based on Edge Detection and Faster R-CNN;Xiaoyan Wei et al.;《Symmetry》;20191001;全文 * |
图像异常边缘篡改检测及可信度评价算法;朱婷鸽 等;《西安邮电大学学报》;20220131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114842034A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114842034B (zh) | 一种基于放大模糊操作痕迹的图片真假检测方法 | |
CN111080620B (zh) | 一种基于深度学习的道路病害检测方法 | |
CN108805015B (zh) | 加权卷积自编码长短期记忆网络人群异常检测方法 | |
CN110189255B (zh) | 基于两级检测的人脸检测方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN114266794B (zh) | 基于全卷积神经网络的病理切片图像癌症区域分割*** | |
CN116664605B (zh) | 基于扩散模型和多模态融合的医学图像肿瘤分割方法 | |
Ma et al. | Automatic defogging, deblurring, and real-time segmentation system for sewer pipeline defects | |
CN110457996B (zh) | 基于vgg-11卷积神经网络的视频运动对象篡改取证方法 | |
Aljarrah | Effect of image degradation on performance of convolutional neural networks | |
CN115019370A (zh) | 一种基于双细粒度伪影的深度伪造视频检测方法 | |
CN114332008A (zh) | 一种基于多层次特征重构的无监督缺陷检测与定位方法 | |
CN115358952A (zh) | 一种基于元学习的图像增强方法、***、设备和存储介质 | |
Tun et al. | Facial image denoising using convolutional autoencoder network | |
Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
Krishnan et al. | A novel underwater image enhancement technique using ResNet | |
CN110188752B (zh) | 监控视频下模糊车牌的去模糊识别***及去模糊识别方法 | |
CN115630660B (zh) | 基于卷积神经网络的条码定位方法和装置 | |
CN111681236A (zh) | 一种带注意力机制的目标密度估计方法 | |
CN115205650B (zh) | 基于多尺度标准化流的无监督异常定位与检测方法及装置 | |
CN116563250A (zh) | 一种复原式自监督疵点检测方法、装置及存储介质 | |
CN114627005B (zh) | 一种雨密度分类引导的双阶段单幅图像去雨方法 | |
CN114782322A (zh) | YOLOv5模型的电弧增材制造熔池缺陷检测方法 | |
CN114862803A (zh) | 一种基于快速傅里叶卷积的工业图像异常检测方法 | |
CN114743148A (zh) | 多尺度特征融合篡改视频检测方法、***、介质和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |