CN116824647A - 图像伪造识别方法、网络训练方法、装置、设备及介质 - Google Patents
图像伪造识别方法、网络训练方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116824647A CN116824647A CN202311099611.1A CN202311099611A CN116824647A CN 116824647 A CN116824647 A CN 116824647A CN 202311099611 A CN202311099611 A CN 202311099611A CN 116824647 A CN116824647 A CN 116824647A
- Authority
- CN
- China
- Prior art keywords
- image
- fingerprint
- training
- information
- decoding
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 342
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000012937 correction Methods 0.000 claims abstract description 173
- 230000006870 function Effects 0.000 claims description 175
- 239000011159 matrix material Substances 0.000 claims description 60
- 238000013507 mapping Methods 0.000 claims description 53
- 230000004913 activation Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008485 antagonism Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0475—Generative 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
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种图像伪造识别方法、网络训练方法、装置、设备及介质,涉及计算机视觉技术领域,以解决深度伪造图像难以准确识别的问题,该识别方法包括:获取待检测图像;利用图像解码器,对待检测图像进行解码,得到图像解码结果;其中,图像解码结果包括指纹解码信息;利用指纹纠错器,对指纹解码信息进行纠错,得到指纹纠正信息;根据指纹纠正信息和预设指纹集,识别待检测图像的真伪情况;本发明将指纹信息作为生成对抗网络的输入的一部分,使生成对抗网络生成的深度伪造图像能够包含指纹信息对应的内容,从而能够利用待检测图像解码纠错后得到指纹信息和预设指纹集,识别待检测图像的真伪情况,实现对深度伪造图像的准确识别。
Description
技术领域
本发明涉及计算机视觉技术领域,特别涉及一种图像伪造识别方法、图像伪造识别的网络训练方法、装置、电子设备及计算机可读存储介质。
背景技术
随着计算机技术的发展,通过生成对抗网络(Generative Adversarial Network,GAN)进行篡改或合成图像变得越来越容易,通过这种方式获得的图像被称作深度伪造图像。
目前,深度伪造图像已经达到以假乱真的水平,人们难以肉眼识别区分深度伪造图像和真实图像。因此,如何能够准确的对深度伪造图像进行识别,是现今急需解决的问题。
发明内容
本发明的目的是提供一种图像伪造识别方法、图像伪造识别的网络训练方法、装置、电子设备及计算机可读存储介质,以实现对深度伪造图像的准确识别。
为解决上述技术问题,本发明提供一种图像伪造识别方法,包括:
获取待检测图像;
利用图像解码器,对所述待检测图像进行解码,得到图像解码结果;其中,所述图像解码结果包括指纹解码信息;
利用指纹纠错器,对所述指纹解码信息进行纠错,得到指纹纠正信息;
根据所述指纹纠正信息和预设指纹集,识别所述待检测图像的真伪情况;其中,所述预设指纹集包括预设指纹信息,所述真伪情况为真实图像或深度伪造图像;所述真伪情况为所述深度伪造图像时,所述待检测图像为图像噪声信息和某一所述预设指纹信息对应的指纹特征通过生成对抗网络生成的图像。
在一些实施例中,所述图像解码器包括解码卷积层、解码激活函数、解码全连接层和解码归一化层,所述利用图像解码器,对所述待检测图像进行解码,得到图像解码结果,包括:
利用所述解码卷积层和所述解码激活函数,对所述待检测图像进行特征提取,得到解码提取特征;
利用所述解码全连接层对所述解码提取特征进行映射,得到解码输出特征;其中,所述解码输出特征包括解码指纹特征和解码噪声特征,所述解码提取特征的维度为所述解码指纹特征与所述解码噪声特征的维度之和;
利用所述解码归一化层,对所述解码指纹特征进行归一化,得到所述指纹解码信息;其中,所述指纹解码信息为0和1组成的数字序列。
在一些实施例中,所述预设指纹集还包括各所述预设指纹信息各自对应的溯源信息,所述根据所述指纹纠正信息和预设指纹集,识别所述待检测图像的真伪情况之后,还包括:
若所述真伪情况为所述深度伪造图像,则根据所述预设指纹集,确定所述指纹解码信息对应的溯源信息。
在一些实施例中,所述根据所述指纹纠正信息和预设指纹集,识别所述待检测图像的真伪情况,包括:
判断所述预设指纹集中是否存在与所述指纹纠正信息相同的预设对抗网络指纹信息;
若是,则确定所述真伪情况为所述深度伪造图像;
若否,则确定所述真伪情况为所述真实图像。
在一些实施例中,某一所述预设指纹信息对应的指纹特征为所述生成对抗网络的新增线性层对某一所述预设指纹信息进行特征提取得到的特征。
在一些实施例中,所述指纹解码信息、所述指纹纠正信息和所述预设指纹信息均为预设指纹长度的数字序列。
在一些实施例中,所述指纹纠错器包括纠错卷积层、纠错激活函数、纠错全连接层和映射函数。
在一些实施例中,所述利用指纹纠错器,对所述指纹解码信息进行纠错,得到指纹纠正信息,包括:
将所述指纹解码信息转换为预设矩阵规格的解码矩阵;其中,所述预设矩阵规格为u×v,u为行数,v为列数,u和v均为大于或等于1的正整数;
利用卷积填充模块,对所述解码矩阵进行卷积填充,得到预设维度的最终输出向量;其中,每个所述卷积填充模块均包括各自对应的一个纠错卷积层和一个纠错激活函数,所述预设维度为u×v×w,w为层数,w为大于或等于2的正整数;
利用所述纠错全连接层对所述最终输出向量进行映射,得到所述预设矩阵规格的映射矩阵;
利用所述映射函数,获取所述映射矩阵中各矩阵元素各自对应的映射概率;
根据所述映射概率,获取所述映射矩阵对应的纠错矩阵;其中,所述纠错矩阵中各矩阵元素分别为1或0;
将所述纠错矩阵转换为所述指纹纠正信息;其中,所述指纹纠正信息为0和1组成的数字序列。
本发明还提供了一种图像伪造识别装置,包括:
图像获取模块,用于获取待检测图像;
图像解码模块,用于利用图像解码器,对所述待检测图像进行解码,得到图像解码结果;其中,所述图像解码结果包括指纹解码信息;
指纹纠错模块,用于利用指纹纠错器,对所述指纹解码信息进行纠错,得到指纹纠正信息;
指纹识别模块,用于根据所述指纹纠正信息和预设指纹集,识别所述待检测图像的真伪情况;其中,所述预设指纹集包括预设指纹信息,所述真伪情况为真实图像或深度伪造图像。
本发明还提供了一种图像伪造识别的网络训练方法,包括:
获取识别训练数据;其中,所述识别训练数据包括训练伪造数据或所述训练伪造数据和训练真实数据,所述训练伪造数据包括训练用指纹信息、训练用图像噪声信息和/或训练用深度伪造图像,所述训练用深度伪造图像为所述训练用图像噪声信息和所述训练用指纹信息对应的指纹特征通过生成对抗网络生成的图像;
根据所述识别训练数据,利用预设识别损失函数对图像解码器进行网络训练,获取训练完成的图像解码器,以利用训练完成的图像解码器配合指纹纠错器对待检测图像的真伪情况进行识别。
在一些实施例中,所述根据所述识别训练数据,利用预设识别损失函数对图像解码器进行网络训练,获取训练完成的图像解码器,包括:
根据所述识别训练数据,利用预设识别损失函数对图像解码器和生成对抗网络进行联合训练,获取训练完成的图像解码器和生成对抗网络,以利用训练完成的生成对抗网络对图像噪声信息和指纹信息对应的指纹特征进行图像生成。
在一些实施例中,所述根据所述识别训练数据,利用预设识别损失函数对图像解码器和生成对抗网络进行联合训练,获取训练完成的图像解码器和生成对抗网络,包括:
利用所述生成对抗网络的新增线性层,对所述训练用指纹信息进行特征提取,得到所述训练用指纹信息对应的指纹特征。
在一些实施例中,所述预设识别损失函数包括所述生成对抗网络的生成器损失函数、所述生成对抗网络的判别器损失函数和所述图像解码器的损失函数。
在一些实施例中,所述生成器损失函数包括第一损失函数和第二损失函数,所述第一损失函数用于表征所述生成对抗网络的生成器生成的图像与真实图像之间的差距,所述第二损失函数用于表征同一图像噪声信息下不同训练用指纹信息作为输入时生成图像的差距。
在一些实施例中,所述判别器损失函数包括第三损失函数和第四损失函数,所述第三损失函数用于表征所述生成对抗网络的判别器对真实图像及生成图像的判别与实际的差距,所述第四损失函数用于表征判别器对同一图像噪声信息下不同训练用指纹信息生成的图像的判别的差距。
在一些实施例中,所述图像解码器的损失函数包括第五损失函数和第六损失函数,所述第五损失函数用于表征训练过程中所述图像解码器输出的指纹解码信息与相应的训练用指纹信息的差距,所述第六损失函数用于表征训练过程中所述图像解码器输出的噪声解码信息与相应的训练用图像噪声信息的差距。
在一些实施例中,所述预设识别损失函数为
;
其中,L 1为所述预设识别损失函数,G(·)和D(·)分别为所述生成对抗网络的生成器和判别器的输出,F(·)为所述图像解码器的输出,z为当前训练批次的训练用图像噪声信息,c为当前训练批次的训练用图像噪声信息z对应的训练用指纹信息,x为所述训练真实数据中当前训练批次训练用图像噪声信息z对应的真实图像,为所述图像解码器输出的当前训练批次的第q个指纹解码信息,/>为所述图像解码器输出的图像噪声解码信息,c 1和c 2为当前训练批次的任意两个训练用指纹信息,c q 为当前训练批次的第q个训练用指纹信息,/> 、/> 、/> 、/> 、/>和/>分别为预设超参数。
在一些实施例中,该网络训练方法还包括:
获取纠错训练数据;其中,所述纠错训练数据包括纠错训练指纹信息和所述纠错训练指纹信息中每一位数字对应的标签;
根据所述纠错训练数据,利用预设纠错损失函数对指纹纠错器进行网络训练,获取训练完成的指纹纠错器,以利用训练完成的指纹纠错器对所述图像解码器输出的指纹解码信息进行纠错。
在一些实施例中,所述预设纠错损失函数为所述预设纠错损失函数为
;其中,N为所述指纹纠错器中卷积填充模块的数量,所述卷积填充模块包括一个和纠错卷积层和一个纠错激活函数,y为任一所述纠错训练指纹信息对应的标签,/>为所述指纹纠错器输出的所述纠错训练指纹信息对应的指纹纠正信息;M为任一所述卷积填充模块中的特征数量,f ij 为第i个卷积填充模块中第j个特征的特征值,S(·)为所述指纹纠错器中映射函数的输出。
在一些实施例中,该网络训练方法还包括:
获取客户端设备发送的生成对抗网络下载请求;其中,所述生成对抗网络下载请求包括请求人信息;
根据所述生成对抗网络下载请求,生成所述请求人信息对应的预设指纹信息,并以所述请求人信息作为溯源信息,将所述预设指纹信息和所述请求人信息存储到预设指纹集;
将所述预设指纹信息和生成对抗网络发送到所述客户端设备。
本发明还提供了一种图像伪造识别的网络训练装置,包括:
数据获取模块,用于获取识别训练数据;其中,所述识别训练数据包括训练伪造数据或所述训练伪造数据和训练真实数据,所述训练伪造数据包括训练用指纹信息、训练用图像噪声信息和/或训练用深度伪造图像,所述训练用深度伪造图像为所述训练用图像噪声信息和所述训练用指纹信息对应的指纹特征通过生成对抗网络生成的图像;
识别训练模块,用于根据所述识别训练数据,利用预设识别损失函数对图像解码器进行网络训练,获取训练完成的图像解码器,以利用训练完成的图像解码器配合指纹纠错器对待检测图像的真伪情况进行识别。
本发明还提供了一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述所述的图像伪造识别方法和/或如上述所述的图像伪造识别的网络训练方法的步骤。
此外,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述的图像伪造识别方法和/或如上述所述的图像伪造识别的网络训练方法的步骤。
本发明所提供的一种图像伪造识别方法,包括:获取待检测图像;利用图像解码器,对待检测图像进行解码,得到图像解码结果;其中,图像解码结果包括指纹解码信息;利用指纹纠错器,对指纹解码信息进行纠错,得到指纹纠正信息;根据指纹纠正信息和预设指纹集,识别待检测图像的真伪情况;其中,预设指纹集包括预设指纹信息,真伪情况为真实图像或深度伪造图像;真伪情况为深度伪造图像时,待检测图像为图像噪声信息和某一预设指纹信息对应的指纹特征通过生成对抗网络生成的图像;
可见,本发明将指纹信息作为生成对抗网络的输入的一部分,使生成对抗网络生成的深度伪造图像能够包含指纹信息对应的内容,从而能够利用待检测图像解码纠错后得到指纹信息和预设指纹集,识别待检测图像的真伪情况,实现对生成对抗网络生成的深度伪造图像的准确识别;并且通过利用指纹纠错器,对指纹解码信息进行纠错,得到指纹纠正信息,能够对待检测图像解码后得到的指纹信息进行纠错,得到纠正后准确的指纹信息,从而提高深度伪造图像的识别准确性。此外,本发明还提供了一种图像伪造识别的网络训练方法、装置、电子设备及计算机可读存储介质,同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种图像伪造识别方法的流程图;
图2为本发明实施例所提供的一种深度伪造图像的生成过程的流程图;
图3为本发明实施例所提供的一种图像伪造识别的网络训练方法的流程图;
图4为本发明实施例所提供的一种图像伪造识别装置的结构框图;
图5为本发明实施例所提供的一种图像伪造识别的网络训练装置的结构框图;
图6为本发明实施例所提供的一种电子设备的结构示意图;
图7为本发明实施例所提供的一种电子设备的具体结构示意图;
图8为本发明实施例所提供的一种计算机可读存储介质的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明实施例所提供的一种图像伪造识别方法的流程图。该方法可以包括:
步骤101:获取待检测图像。
其中,本步骤中的待检测图像可以为需要检测真伪情况的图像;也就是说,本实施例中处理器可以对待检测图像的真伪情况进行检测识别,以识别待检测图像是否为生成对抗网络(GAN)伪造的图像(即深度伪造图像)。
对应的,对于本步骤中处理器获取待检测图像的具体方式,可以由设计人员根据实用场景和用户需求自行设置,如处理器可以接收待检测图像,例如服务器的处理器可以接收客户端设备发送的待检测图像。处理器也可以读取待检测图像,例如,计算机的处理器可以读取存储的需要进行真伪情况检测的待检测图像。本实施例对此不做任何限制。
步骤102:利用图像解码器,对待检测图像进行解码,得到图像解码结果;其中,图像解码结果包括指纹解码信息。
可以理解的是,本步骤中的图像解码器可以为对输入的图像(即待检测图像)进行解码的软件装置。图像解码器可以用于对待检测图像进行解码,得到待检测图像对应的指纹信息的解码结果(即指纹解码信息);也就是说,图像解码器可以将待检测图像作为深度伪造图像,解码得到利用GAN生成该深度伪造图像时所需输入的指纹信息(或相应指纹特征)对应的解码结果。
对应的,本实施例中的图像解码器的输入可以为图像(即待检测图像),如真实图像或深度伪造图像;图像解码器的输出可以包括解码得到的指纹信息(即指纹解码信息);例如,图像解码器输出的图像解码结果可以仅包括指纹解码信息,也可以包括指纹解码信息和利用GAN生成深度伪造图像时的噪声信息(即图像噪声信息)对应的解码结果(即图像噪声解码信息),即图像解码器可以用于还原GAN生成深度伪造图像时嵌入的指纹信息(或嵌入的指纹特征对应的指纹信息)和所用的噪声信息。本实施例对此不做任何限制。
需要说明的是,本实施例中的图像解码结果中的指纹解码信息可以为数字序列,例如预设指纹长度的数字序列(如0/1序列)。对于本实施例中处理器利用图像解码器,对待检测图像进行解码,得到图像解码结果的具体方式,即图像解码器的具体结构,可以由设计人员根据使用场景和用户需求自行设置,如图像解码器可以包括一系列的卷积层、激活函数和全连接层;例如,图像解码器可以包括解码卷积层、解码激活函数、解码全连接层和解码归一化层,本步骤中处理器可以利用解码卷积层和解码激活函数,对待检测图像进行特征提取,得到解码提取特征;利用解码全连接层对解码提取特征进行映射,得到解码输出特征;其中,解码输出特征包括解码指纹特征和解码噪声特征,解码提取特征的维度为解码指纹特征与解码噪声特征的维度之和;利用解码归一化层,对解码指纹特征进行归一化,得到指纹解码信息;其中,指纹解码信息为0和1组成的数字序列,即预设指纹信息同样为0和1组成的数字序列。
举例来说,待检测图像的分辨率是128×128×3,噪声特征的维度为512,指纹特征的维度为50的情况下,本步骤中处理器可以先对输入的待检测图像进行逐级下采样,如通过一个卷积层(即解码卷积层)对待检测图像进行特征提取,该卷积层通道数可以为32,卷积核大小可以为3×3,步长为1,且采用一个激活函数(即解码激活函数,如渗漏整流线性单元,leaky ReLU),接着通过一个下采样层对提取到的特征进行下采样,该下采样层使用了2×2的最大池化操作,将特征图的宽和高分辨率降低至原来的一半,持续上述操作,直至将特征图提取为8×8的特征图,然后通过多个卷积层(即解码卷积层)对特征图进行特征提取,得到解码提取特征;之后通过1个全连接层(即解码全连接层)输出维度为562的特征(即解码输出特征),其中512维为GAN的输入噪声(即图像噪声解码信息),50维为指纹特征(即解码指纹特征);最后将指纹特征通过解码归一化层(如归一化指数函数,softmax函数),得到0/1表达形式的指纹解码信息。
步骤103:利用指纹纠错器,对指纹解码信息进行纠错,得到指纹纠正信息。
可以理解的是,本实施例中处理器可以利用指纹纠错器,对图像解码器输出的指纹解码信息进行检错和纠错,得到纠正后的指纹纠正信息,以提高从待检测图像中得到的指纹信息的准确性。
对应的,本实施例中的指纹纠错器的输入可以为指纹解码信息,如预设指纹长度的0和1组成的数字序列(即0/1序列);指纹纠错器的输出可以为对相应位置的数值进行纠正后的指纹解码信息(即指纹纠正信息);指纹纠正信息可以为数字序列,例如预设指纹长度的数字序列(如0/1序列)。
需要说明的是,对于本实施例中处理器利用指纹纠错器,对指纹解码信息进行纠错,得到指纹纠正信息的具体方式,即指纹纠错器的具体结构,可以由设计人员根据使用场景和用户需求自行设置,如指纹纠错器可以包括纠错卷积层、纠错激活函数、纠错全连接层和映射函数;例如,指纹纠错器可以采用基于深度学习(Deep Learning,DL)的神经网络,指纹纠错器可以包括多个卷积填充模块,每个卷积填充模块可以包括一个卷积层(即纠错卷积层)和一个激活函数(即纠错激活函数,如修正线性单元ReLU),以通过指纹纠错器中基于深度学习的神经网络的设置,使指纹纠错器不像传统的纠错码只能处理固定长度的数据块,而处理任意长度的序列数据;并且能够通过学习大量数据来提高指纹纠错器的模型鲁棒性和泛化能力,从而可以处理更加复杂的误差情况;并且能够将每个卷积填充模块的输出作为训练时损失函数的一部分,可以使指纹纠错器更好地学习输入数据的特征,从而提升指纹纠错器的检错和纠错能力。
举例来说,指纹纠错器可以先调整输入数据(即指纹解码信息)的维度,即通过纠错卷积层和纠错激活函数组成的卷积填充模块和纠错全连接层,将1维的预设指纹长度的数字序列(如0/1序列)变成u×v的矩阵,如以预设指纹长度为128为例,指纹纠错器可以将输入数据从1×128变成8×16,纠错卷积层采用3×3的卷积核,填充(padding)为1,经过第一层卷积填充模块,输出向量维度为8×16×2,第二层卷积填充模块输出为8×16×4,第三层卷积填充模块输出为8×16×8,第四层卷积填充模块输出为8×16×4,第五层卷积填充模块输出为8×16×2,最后通过纠错全连接层,输出8×16维度的矩阵结果;再采用映射函数(如S形映射函数,sigmoid)将每个位置的结果映射到[0,1]之间,最后根据概率,最终每个位置输出成0或1,再将维度变成1×128,得到指纹纠正信息。
也就是说,指纹纠正信息为预设指纹长度的0和1组成的数字序列时,本步骤中处理器可以利用指纹纠错器,将指纹解码信息转换为预设矩阵规格的解码矩阵;其中,预设矩阵规格为u×v,u为行数,v为列数,u和v均为大于或等于1的正整数;利用卷积填充模块,对解码矩阵进行卷积填充,得到预设维度的最终输出向量;其中,每个卷积填充模块均包括各自对应的一个纠错卷积层和一个纠错激活函数,预设维度为u×v×w,w为层数,w为大于或等于2的正整数;利用纠错全连接层对最终输出向量进行映射,得到预设矩阵规格的映射矩阵;利用映射函数,获取映射矩阵中各矩阵元素各自对应的映射概率;根据映射概率,获取映射矩阵对应的纠错矩阵;其中,纠错矩阵中各矩阵元素分别为1或0;将纠错矩阵转换为指纹纠正信息;其中,指纹纠正信息为0和1组成的数字序列。
相应的,w为2时,上述利用卷积填充模块,对解码矩阵进行卷积填充,得到预设维度的最终输出向量的过程可以包括:利用第一卷积填充模块,对解码矩阵进行卷积填充,得到第一输出向量;其中,第一输出向量的维度为u×v×2;利用第二卷积填充模块,对解码矩阵进行卷积填充,得到第二输出向量;其中,第二输出向量的维度为u×v×4;利用第三卷积填充模块,对解码矩阵进行卷积填充,得到第三输出向量;其中,第三输出向量的维度为u×v×8;利用第四卷积填充模块,对解码矩阵进行卷积,得到第四输出向量;其中,第四输出向量的维度为u×v×4;利用第五卷积填充模块,对解码矩阵进行卷积,得到最终输出向量。
步骤104:根据指纹纠正信息和预设指纹集,识别待检测图像的真伪情况;其中,预设指纹集包括预设指纹信息,真伪情况为真实图像或深度伪造图像;真伪情况为深度伪造图像时,待检测图像为图像噪声信息和某一预设指纹信息对应的指纹特征通过生成对抗网络生成的图像。
可以理解的是,本实施例中的预设指纹集可以为预先设置的预设指纹信息的集合。预设指纹信息可以为预先设置的生成对抗网络(GAN)生成深度伪造图像时所采用的指纹信息,即各生成对抗网络在生成深度伪造图像时输入的指纹信息或输入的指纹特征对应的指纹信息;预设指纹信息可以为数字序列,例如预设指纹长度的数字序列(如0/1序列)。
也就是说,本步骤中处理器可以通过指纹纠正信息和预设指纹集中各预设指纹信息的比较,确定待检测图像是否为通过GAN利用相应的预设指纹信息生成深度伪造图像,实现识别待检测图像的真伪情况的识别。
对应的,本实施例中识别到待检测图像的真伪情况为深度伪造图像的情况下,待检测图像可以为图像噪声信息和预设指纹集中的某一个预设指纹信息(如指纹纠正信息匹配到的预设指纹信息)对应的指纹特征通过生成对抗网络生成的图像,即待检测图像的生成过程可以为通过GAN利用输入的待检测图像对应的图像噪声信息和某一预设指纹信息(或相应的指纹特征),生成待检测图像;例如,待检测图像的真伪情况为深度伪造图像的情况下,待检测图像可以为图像噪声信息和某一预设指纹信息通过生成对抗网络生成的图像,即某一预设指纹信息对应的指纹特征可以为生成对抗网络对该预设指纹信息进行特征提取得到的特征;如对现有的生成对抗网络进行改进,在生成对抗网络中新加入一个线性层(即新增线性层),以利用该线性层对生成对抗网络输入的指纹信息(如预设指纹信息)进行特征提取,即某一预设指纹信息对应的指纹特征可以为生成对抗网络的新增线性层对某一预设指纹信息进行特征提取得到的特征。
需要说明的是,对于本步骤中处理器根据指纹纠正信息和预设指纹集,识别待检测图像的真伪情况的具体方式,即指纹纠正信息与预设指纹集中的预设指纹信息的具体比较匹配方式,可以由设计人员根据使用场景和用户需求自行设置,如处理器可以直接通过指纹纠正信息和预设指纹集中各预设指纹信息的比较,识别待检测图像的真伪情况;例如,处理器可以将与指纹纠正信息完全相同的预设指纹信息确定为指纹纠正信息匹配到的预设指纹信息,即指纹纠正信息对应的预设指纹信息;即本步骤中处理器可以判断预设指纹集中是否存在与指纹纠正信息相同的预设指纹信息;若是,则确定真伪情况为深度伪造图像;若否,则确定真伪情况为真实图像。处理器也可以将与指纹纠正信息的相似度(即相同位置数值相同的位置数量与预设指纹长度的商)达到相似度阈值的预设指纹信息确定为指纹纠正信息匹配到的预设指纹信息;即本步骤中处理器可以判断预设指纹集中是否存在与指纹纠正信息的相似度达到相似度阈值的预设指纹信息;若是,则确定真伪情况为深度伪造图像;若否,则确定真伪情况为真实图像。
其中,本实施例是以通过待检测图像经解码和纠错后得到的指纹信息(即指纹纠正信息)与预设指纹集中各预设指纹信息的比较,识别待检测图像的真伪情况为例进行的展示;在一些实施例中,还可以直接通过待检测图像经解码后得到的指纹信息(即指纹解码信息)与预设指纹集中各预设指纹信息的比较,识别待检测图像的真伪情况。
进一步的,本实施例所提供的方法还可以包括深度伪造图像的溯源过程。例如,预设指纹集还可以包括预设指纹信息各自对应的溯源信息,如请求生成对抗网络的请求人信息(例如注册身份信息或IP地址等),本实施例中处理器在确定待检测图像的真伪情况为深度伪造图像时,可以根据预设指纹集,确定指纹纠正信息对应的溯源信息;也就是说,处理器可以将预设指纹集中指纹纠正信息匹配到的一个预设指纹信息对应的溯源信息,作为待检测图像的溯源信息,实现深度伪造图像的溯源。
本实施例中,本发明实施例将指纹信息作为生成对抗网络的输入的一部分,使生成对抗网络生成的深度伪造图像能够包含指纹信息对应的内容,从而能够利用待检测图像解码纠错后得到指纹信息和预设指纹集,识别待检测图像的真伪情况,实现对生成对抗网络生成的深度伪造图像的准确识别;并且通过利用指纹纠错器,对指纹解码信息进行纠错,得到指纹纠正信息,能够对待检测图像解码后得到的指纹信息进行纠错,得到纠正后准确的指纹信息,从而提高深度伪造图像的识别准确性。
基于上述实施例,本发明实施例所提供的图像伪造识别方法还可以包括深度伪造图像的生成过程,即作为深度伪造图像识别方的电子设备(如服务器)还可以提供生成深度伪造图像的功能,将指纹信息作为GAN的部分输入,以保证通过GAN生成的深度伪造图像能够包含指纹信息对应的内容,从而保证深度伪造图像识别的准确性。相应的,请参考图2,图2为本发明实施例所提供的一种深度伪造图像的生成过程的流程图。该方法可以包括:
步骤201:获取图像噪声信息。
其中,本实施例中的图像噪声信息可以为生成对抗网络(GAN)生成图像所需使用的噪声信息。对于本实施例中图像噪声信息的具体内容,可以由设计人员自行设置,如可以采用现有技术中GAN输入的噪声信息的配置方法相同或相似的方式实现,本实施例对此不做任何限制。
步骤202:获取指纹信息对应的指纹特征。
其中,本实施例中的指纹信息可以为预设指纹长度的数字序列,如0和1组成的数字序列(即0/1序列)。本实施例中的指纹信息可以为上述实施例中的预设指纹集中的任一预设指纹信息,以保证后续对生成的深度伪造图像的识别准确性。
对应的,本实施例中的指纹特征可以为指纹信息中提取到的特征,指纹特征可以与生成对抗网络中的映射网络的输入维度相同,以保证指纹特征可以作为生成对抗网络中的映射网络的部分输入,参与到生成对抗网络后续的图像生成中,使生成对抗网络生成的图像噪声信息对应的深度伪造图像能够包含指纹信息对应的内容。
需要说明的是,对于本步骤中处理器获取指纹信息对应的指纹特征的具体方式,可以由设计人员根据实用场景和和用户需要自行设置,如处理器可以直接读取预先存储的生成对抗网络对应的指纹特征,例如,生成对抗网络的发布方在向请求生成对抗网络的请求人发放生成对抗网络时,可以直接将该请求人对应的对抗网络指纹信息的指纹特征和生成对抗网络一起发送给请求人,或直接在发送给请求人的生成对抗网络中存储该指纹特征,以使请求人在通过该生成对抗网络生成深度伪造图像时,会直接使用该指纹特征作为部分输入,使请求人通过该生成对抗网络生成的深度伪造图像包含指纹信息的内容。处理器也可以获取指纹信息;对指纹信息进行特征提取,得到指纹特征。本实施例对此不做任何限制。
对应的,对于上述处理器获取指纹信息的具体方式,可以由设计人员自行设置,如处理器可以读取预先存储的生成对抗网络对应的指纹信息。处理器也可以生成预设指纹长度的指纹信息,如处理器可以随机生成预设指纹长度的由0和1组成的数字序列(即指纹信息);相应的,处理器还可以将生成的指纹信息加入到预设指纹集。本实施例对此不做任何限制。
相应的,对于上述处理器对指纹信息进行特征提取,得到指纹特征的具体方式,可以由设计人员自行设置,如处理器可以利用线性层或其他特征提取方式,从指纹信息中提取预设维度的指纹特征;其中,预设维度可以为生成对抗网络中的映射网络的输入维度。例如,本实施例中对现有的生成对抗网络进行改进,在生成对抗网络中新加入一个线性层(即新增线性层),以利用该线性层对生成对抗网络输入的指纹信息进行特征提取,得到预设维度的指纹特征;也就是说,处理器可以利用生成对抗网络的新增线性层,对指纹信息进行特征提取,得到指纹特征。本实施例对此不做任何限制。
步骤203:根据图像噪声信息和指纹特征,利用生成对抗网络,生成深度伪造图像;其中,指纹特征的维度与生成对抗网络中的映射网络的输入维度相同。
可以理解的是,本实施例中通过将指纹信息对应的指纹特征作为生成对抗网络中映射网络的部分输入,使生成对抗网络生成的深度伪造图像中包含指纹信息对应的内容,从而使得后续深度伪造图像的识别过程中,能够从深度伪造图像中解码得到该指纹信息,实现深度伪造图像的准确识别;并且本实施例中直接将指纹信息或对应的指纹特征作为生成对抗网络的部分输入,能够实现指纹信息对应的内容直接出现在深度伪造图像中的目的,不需要通过隐写技术在生成对抗网络的训练数据集中人为的添加信息,降低了生成对抗网络的训练难度,保证了后续深度伪造图像的识别准确性和识别效率。
对应的,对于本步骤中处理器根据图像噪声信息和指纹特征,利用生成对抗网络,生成深度伪造图像的具体方式,可以由设计人员自行自行设置,如可以采用与现有技术中的生成对抗网络的图像生成方法相似的方式实现,只需在生成对抗网络中的映射网络中加入指纹特征作为部分输入,使通过该生成对抗网络生成的深度伪造图像包含指纹信息的内容。
本实施例中,本发明实施例通过根据图像噪声信息和指纹特征,利用生成对抗网络,生成深度伪造图像,可以在生成对抗网络中的映射网络中加入指纹特征作为部分输入,使通过该生成对抗网络生成的深度伪造图像包含指纹信息的内容,保证了后续对生成的深度伪造图像的识别的准确性。
基于上述实施例,本发明实施例还提供了一种图像伪造识别的网络训练方法,以实现上述实施例中图像解码器的网络训练,保证深度伪造图像识别的准确性。相应的,请参考图3,图3为本发明实施例所提供的一种图像伪造识别的网络训练方法的流程图。该方法可以包括:
步骤301:获取识别训练数据;其中,识别训练数据包括训练伪造数据或训练伪造数据和训练真实数据,训练伪造数据包括训练用指纹信息、训练用图像噪声信息和/或训练用深度伪造图像,训练用深度伪造图像为训练用图像噪声信息和训练用指纹信息对应的指纹特征通过生成对抗网络生成的图像。
其中,本实施例中的识别训练数据可以为对训练图像解码器所需要的数据。
对应的,对于本实施例中的识别训练数据的具体内容,可以由设计人员自行设置,如识别训练数据可以包括训练用的深度伪造图像对应的训练伪造数据,或训练伪造数据和真实图像对应的训练真实数据;其中,训练伪造数据可以包括每个训练用的深度伪造图像(即训练用深度伪造图像)各自对应的指纹信息(即训练用指纹信息,如上述实施例中的预设指纹信息)、图像噪声信息(即训练用图像噪声信息)和/或训练用深度伪造图像;例如,识别训练数据仅用于训练图像解码器时,训练伪造数据可以包括训练用指纹信息、训练用图像噪声信息和训练用深度伪造图像;识别训练数据用于联合训练图像解码器和生成对抗网络时,训练伪造数据可以包括训练用指纹信息和训练用图像噪声信息,或训练用指纹信息、训练用图像噪声信息和训练用深度伪造图像。训练伪造数据还可以包括如训练用指纹信息对应的指纹特征的其他数据,本实施例对此不做任何限制。
步骤302:根据识别训练数据,利用预设识别损失函数对图像解码器进行网络训练,获取训练完成的图像解码器,以利用训练完成的图像解码器配合指纹纠错器对待检测图像的真伪情况进行识别。
可以理解的是,本实施例中的图像解码器可以为预先设置的用于对输入的图像进行解码的软件装置;本实施例中处理器可以根据识别训练数据,利用预设识别损失函数对图像解码器进行网络训练,获取训练完成的图像解码器,以使训练完成的图像解码器能够配合指纹纠错器实现上述实施例中的待检测图像的真伪情况的过程。
对应的,对于本实施例中处理器根据识别训练数据,利用预设识别损失函数对图像解码器进行网络训练,获取训练完成的图像解码器的具体方式,可以由设计人员根据实用场景和用户需求自行设置,如处理器可以根据识别训练数据,利用预设识别损失函数单独对图像解码器进行网络训练,获取训练完成的图像解码器。为了节约训练成本,本实施例中处理器可以对生成对抗网络(即图像生成器)和图像解码器进行联合训练,即根据识别训练数据,利用预设识别损失函数对图像解码器和生成对抗网络进行联合训练,获取训练完成的图像解码器和生成对抗网络,以利用训练完成的生成对抗网络对图像噪声信息和指纹信息对应的指纹特征进行图像生成。本实施例对此不做任何限制。
相应的,对于本实施例中处理器根据识别训练数据,利用预设识别损失函数对图像解码器进行网络训练,获取训练完成的图像解码器的具体过程,可以由设计人员自行设置,如采用与现有技术中的网络训练方法相似的方式实现;例如,根据识别训练数据,利用预设识别损失函数对图像解码器和生成对抗网络进行联合训练的情况下,在生成对抗网络内设置用于对生成对抗网络输入的指纹信息进行特征提取的线性层(即新增线性层)时,本步骤中处理器在联合训练过程中,可以利用生成对抗网络的新增线性层,对训练用指纹信息进行特征提取,得到训练用指纹信息对应的指纹特征;也就是说,联合训练过程中生成对抗网络可以利用新增线性层可以输入的训练用指纹信息进行特征提取,并利用提取得到的相应指纹特征进行后续的深度伪造图像生成,以完成图像解码器和生成对抗网络的联合训练。
需要说明的是,本实施例中的预设识别损失函数可以为图像解码器的训练过程中所使用的损失函数。对于本实施例中预设识别损失函数的具体内容,可以由设计人员自行设置,如根据识别训练数据,利用预设识别损失函数对图像解码器和生成对抗网络进行联合训练的情况下,预设识别损失函数可以包括图像解码器的损失函数以及生成对抗网络的生成器对应的损失函数(即生成器损失函数)和/或生成对抗网络的判别器对应的损失函数(即判别器损失函数);例如,预设识别损失函数可以包括图像解码器的损失函数、生成器损失函数和判别器损失函数;或者预设识别损失函数也可以包括图像解码器的损失函数和生成器损失函数,或图像解码器的损失函数和判别器损失函数。本实施例对此不做任何限制。
对应的,对于上述图像解码器的损失函数、生成器损失函数和判别器损失函数中的具体损失函数数量和类型,可以由设计人员根据使用场景和用户需求自行设置,如生成器损失函数可以包括第一损失函数和/或第二损失函数,第一损失函数用于表征生成对抗网络的生成器生成的图像与真实图像之间的差距,第二损失函数用于表征同一图像噪声信息下不同训练用指纹信息作为输入时生成图像的差距。判别器损失函数可以包括第三损失函数和/或第四损失函数,第三损失函数用于表征生成对抗网络的判别器对真实图像及生成图像的判别与实际的差距,第四损失函数用于表征判别器对同一图像噪声信息下不同训练用指纹信息生成的图像的判别的差距。图像解码器的损失函数可以包括第五损失函数和/或第六损失函数,第五损失函数用于表征训练过程中图像解码器输出的指纹解码信息与相应的训练用指纹信息的差距,第六损失函数用于表征训练过程中图像解码器输出的噪声解码信息与相应的训练用图像噪声信息的差距。本实施例对此不做任何限制。
举例来说,预设识别损失函数可以包括图像解码器的损失函数、生成器损失函数和判别器损失函数的情况下,预设识别损失函数可以为;其中,L 1为预设识别损失函数,G(·)和D(·)分别为生成对抗网络的生成器和判别器的输出,F(·)为图像解码器的输出,z为当前训练批次的训练用图像噪声信息,c为当前训练批次的训练用图像噪声信息z对应的训练用指纹信息,x为训练真实数据中当前训练批次训练用图像噪声信息z对应的真实图像,/>为图像解码器输出的当前训练批次的第q个指纹解码信息,为图像解码器输出的图像噪声解码信息,c 1和c 2为当前训练批次的任意两个训练用指纹信息,c q 为当前训练批次的第q个训练用指纹信息,/> 、/> 、/> 、/> 、/>和/>分别为预设超参数。
相应的,预设识别损失函数L 1中第一部分(部分)可以为第一损失函数,能够表示生成对抗网络的生成器损失,含义是用于衡量生成器生成的图像与真实图像之间的差距;第二部分(/>部分)可以为第二损失函数,同样能够表示生成器损失,含义是用于衡量同一噪声,不同指纹作为输入时,生成图像的距离,以此约束生成器,使其在同一噪声不同指纹的情况下,生成的图像保持一致;第三部分(部分)可以为第三损失函数,能够表示生成对抗网络的判别器损失,为了约束判别器对真实数据和虚假数据的分类,其作用是使判别器能够正确的区分真实图像和生成图像;第四部分(/>部分)可以为第四损失函数,同样能够表示判别器损失,用以约束判别器,其作用是使对同一噪声不同指纹生成的图像,判别器有相同的判别度;第五部分(/>部分)可以为第五损失函数,能够表示图像解码器的损失,用以约束指纹解码网络,其作用是使图像解码器的输出GAN指纹与图像中嵌入的GAN指纹保持一致;第六部分(/>部分)可以为第六损失函数,同样能够表示图像解码器的损失,其作用是表示输入的噪声信息与图像解码器对生成图像解码后的噪声的欧式距离,二者欧氏距离越近,则说明指图像解码器的准确度越高,因此可从另一个维度来约束指纹解码网络的准确度。/> 、/> 、/> 、/> 、/>和/>均可以为预设超参数;本实施例并不限定/> 、/> 、/> 、/> 、/>和/>的具体数值,例如,在一些实施例中/> 、/> 、/>和/>可以为1,/>和/>可以为1.5;在另一实施例中/> 、/> 、/> 、/> 、/>和/>可以为采用其他数数值。
进一步的,本实施例所提供的网络训练方法还可以包括指纹纠错器的训练过程,例如,处理器可以获取纠错训练数据;其中,纠错训练数据包括纠错训练指纹信息和纠错训练指纹信息中每一位数字对应的标签;根据纠错训练数据,利用预设纠错损失函数对指纹纠错器进行网络训练,获取训练完成的指纹纠错器,以利用训练完成的指纹纠错器对图像解码器输出的指纹解码信息进行纠错,从而配合训练完成的图像解码器对待检测图像的真伪情况进行识别。
对应的,对于上述预设纠错损失函数可以为预设纠错损失函数的训练过程中所使用的损失函数。对于本实施例中预设纠错损失函数的具体内容,可以由设计人员自行设置,如预设纠错损失函数可以为;其中,N为指纹纠错器中卷积填充模块的数量,卷积填充模块包括一个和纠错卷积层和一个纠错激活函数,y为任一纠错训练指纹信息对应的标签,/>为指纹纠错器输出的纠错训练指纹信息对应的指纹纠正信息;M为任一卷积填充模块中的特征数量,f ij 为第i个卷积填充模块中第j个特征的特征值,S(·)为指纹纠错器中映射函数的输出,如sigmoid函数的输出。可以表示某一卷积填充模块中的特征取平均值,然后通过sigmoid函数,使其每个位置输出成0或1。
相应的,为了使训练完成的指纹纠错器具备检错和纠错能力,本实施例中作为指纹纠错器的训练集的纠错训练数据,可以包括纠错训练用的指纹信息(即纠错训练指纹信息),如全部或部分位置正确的指纹信息;还可以包括纠错训练指纹信息中每一位数字对应的标签,用以标示全部位置正确的指纹信息。
进一步的,本实施例所提供的网络训练方法还可以包括:训练完成的生成对抗网络的发放过程。例如处理器可以获取客户端设备发送的生成对抗网络下载请求;其中,生成对抗网络下载请求包括请求人信息;根据生成对抗网络下载请求,生成请求人信息对应的预设指纹信息,并以请求人信息作为溯源信息,将预设指纹信息和请求人信息存储到预设指纹集;将预设指纹信息和生成对抗网络发送到客户端设备,以使客户端设备的用户能够利用该生成对抗网络生成带有该预设指纹信息对应内容的深度伪造图像。
对应的,处理器可以将预设指纹信息对应的指纹特征和生成对抗网络发送到客户端设备,或者直接将嵌入有预设指纹信息或对应的指纹特征的生成对抗网络发送到客户端设备,本实施例对此不做任何限制。
进一步的,本实施例所提供的网络训练方法还可以包括:深度伪造图像的生成过程,即作为深度伪造图像训练方的电子设备(如服务器)还可以提供生成深度伪造图像的功能,以实现训练完成的生成对抗网络的直接使用。例如,深度伪造图像的生成过程可以包括获取图像噪声信息;获取指纹信息对应的指纹特征;根据图像噪声信息和指纹特征,利用生成对抗网络,生成深度伪造图像;其中,指纹特征的维度与生成对抗网络中的映射网络的输入维度相同。
本实施例中,本发明实施例通过根据识别训练数据,利用预设识别损失函数对图像解码器进行网络训练,获取训练完成的图像解码器,实现了图像解码器的网络训练,从而能够利用训练完成的图像解码器配合指纹纠错器对待检测图像的真伪情况进行识别,保证了深度伪造图像识别的准确性。
相应于上面的方法实施例,本发明实施例还提供了一种图像伪造识别装置,下文描述的一种图像伪造识别装置与上文描述的一种图像伪造识别方法可相互对应参照。
请参考图4,图4为本发明实施例所提供的一种图像伪造识别装置的结构框图。该装置可以包括:
图像获取模块10,用于获取待检测图像;
图像解码模块20,用于利用图像解码器,对待检测图像进行解码,得到图像解码结果;其中,图像解码结果包括指纹解码信息;
指纹纠错模块30,用于利用指纹纠错器,对指纹解码信息进行纠错,得到指纹纠正信息;
指纹识别模块40,用于根据指纹纠正信息和预设指纹集,识别待检测图像的真伪情况;其中,预设指纹集包括预设指纹信息,真伪情况为真实图像或深度伪造图像。
在一些实施例中,图像解码器包括解码卷积层、解码激活函数、解码全连接层和解码归一化层,图像解码模块20可以包括:
特征提取子模块,用于利用解码卷积层和解码激活函数,对待检测图像进行特征提取,得到解码提取特征;
特征映射子模块,用于利用解码全连接层对解码提取特征进行映射,得到解码输出特征;其中,解码输出特征包括解码指纹特征和解码噪声特征,解码提取特征的维度为解码指纹特征与解码噪声特征的维度之和;
归一化子模块,用于利用解码归一化层,对解码指纹特征进行归一化,得到指纹解码信息;其中,指纹解码信息为0和1组成的数字序列。
在一些实施例中,预设指纹集还包括各预设指纹信息各自对应的溯源信息,该装置还可以包括:
溯源模块,用于若真伪情况为深度伪造图像,则根据预设指纹集,确定指纹解码信息对应的溯源信息。
在一些实施例中,指纹识别模块40可以具体用于判断预设指纹集中是否存在与指纹纠正信息相同的预设对抗网络指纹信息;若是,则确定真伪情况为深度伪造图像;若否,则确定真伪情况为真实图像。
在一些实施例中,某一预设指纹信息对应的指纹特征为生成对抗网络的新增线性层对某一预设指纹信息进行特征提取得到的特征。
在一些实施例中,指纹解码信息、指纹纠正信息和预设指纹信息均为预设指纹长度的数字序列。
在一些实施例中,指纹纠错器包括纠错卷积层、纠错激活函数、纠错全连接层和映射函数。
在一些实施例中,指纹纠错模块30可以包括:
第一转换子模块,用于将指纹解码信息转换为预设矩阵规格的解码矩阵;其中,预设矩阵规格为u×v,u为行数,v为列数,u和v均为大于或等于1的正整数;
卷积填充子模块,用于利用卷积填充模块,对解码矩阵进行卷积填充,得到预设维度的最终输出向量;其中,每个卷积填充模块均包括各自对应的一个纠错卷积层和一个纠错激活函数,预设维度为u×v×w,w为层数,w为大于或等于2的正整数;
全连接子模块,用于利用纠错全连接层对最终输出向量进行映射,得到预设矩阵规格的映射矩阵;
映射子模块,用于利用映射函数,获取映射矩阵中各矩阵元素各自对应的映射概率;根据映射概率,获取映射矩阵对应的纠错矩阵;其中,纠错矩阵中各矩阵元素分别为1或0;
第二转换子模块,用于将纠错矩阵转换为指纹纠正信息;其中,指纹纠正信息为0和1组成的数字序列。
本实施例中,本发明实施例通过将指纹信息作为生成对抗网络的输入的一部分,使生成对抗网络生成的深度伪造图像能够包含指纹信息对应的内容,从而能够通过指纹识别模块40利用待检测图像解码纠错后得到指纹信息和预设指纹集,识别待检测图像的真伪情况,实现对生成对抗网络生成的深度伪造图像的准确识别;并且通过指纹纠错模块30利用指纹纠错器,对指纹解码信息进行纠错,得到指纹纠正信息,能够对待检测图像解码后得到的指纹信息进行纠错,得到纠正后准确的指纹信息,从而提高深度伪造图像的识别准确性。
相应于上面的方法实施例,本发明实施例还提供了一种图像伪造识别的网络训练装置,下文描述的一种图像伪造识别的网络训练装置与上文描述的一种图像伪造识别的网络训练方法可相互对应参照。
请参考图5,图5为本发明实施例所提供的一种图像伪造识别的网络训练装置的结构框图。该装置可以包括:
数据获取模块50,用于获取识别训练数据;其中,识别训练数据包括训练伪造数据或训练伪造数据和训练真实数据,训练伪造数据包括训练用指纹信息、训练用图像噪声信息和/或训练用深度伪造图像,训练用深度伪造图像为训练用图像噪声信息和训练用指纹信息对应的指纹特征通过生成对抗网络生成的图像;
识别训练模块60,用于根据识别训练数据,利用预设识别损失函数对图像解码器进行网络训练,获取训练完成的图像解码器,以利用训练完成的图像解码器配合指纹纠错器对待检测图像的真伪情况进行识别。
在一些实施例中,识别训练模块60可以具体用于根据识别训练数据,利用预设识别损失函数对图像解码器和生成对抗网络进行联合训练,获取训练完成的图像解码器和生成对抗网络,以利用训练完成的生成对抗网络对图像噪声信息和指纹信息对应的指纹特征进行图像生成。
在一些实施例中,识别训练模块60可以包括:
特征提取子模块,用于利用生成对抗网络的新增线性层,对训练用指纹信息进行特征提取,得到训练用指纹信息对应的指纹特征。
在一些实施例中,预设识别损失函数包括生成对抗网络的生成器损失函数、生成对抗网络的判别器损失函数和图像解码器的损失函数。
在一些实施例中,生成器损失函数包括第一损失函数和第二损失函数,第一损失函数用于表征生成对抗网络的生成器生成的图像与真实图像之间的差距,第二损失函数用于表征同一图像噪声信息下不同训练用指纹信息作为输入时生成图像的差距。
在一些实施例中,判别器损失函数包括第三损失函数和第四损失函数,第三损失函数用于表征生成对抗网络的判别器对真实图像及生成图像的判别与实际的差距,第四损失函数用于表征判别器对同一图像噪声信息下不同训练用指纹信息生成的图像的判别的差距。
在一些实施例中,图像解码器的损失函数包括第五损失函数和第六损失函数,第五损失函数用于表征训练过程中图像解码器输出的指纹解码信息与相应的训练用指纹信息的差距,第六损失函数用于表征训练过程中图像解码器输出的噪声解码信息与相应的训练用图像噪声信息的差距。
在一些实施例中,预设识别损失函数为;其中,L 1为预设识别损失函数,G(·)和D(·)分别为生成对抗网络的生成器和判别器的输出,F(·)为图像解码器的输出,z为当前训练批次的训练用图像噪声信息,c为当前训练批次的训练用图像噪声信息z对应的训练用指纹信息,x为训练真实数据中当前训练批次训练用图像噪声信息z对应的真实图像,/>为图像解码器输出的当前训练批次的第q个指纹解码信息,为图像解码器输出的图像噪声解码信息,c 1和c 2为当前训练批次的任意两个训练用指纹信息,c q 为当前训练批次的第q个训练用指纹信息,/> 、/> 、/> 、/> 、/>和/>分别为预设超参数。
在一些实施例中,该装置还可以包括:
纠错数据获取模块,用于获取纠错训练数据;其中,纠错训练数据包括纠错训练指纹信息和纠错训练指纹信息中每一位数字对应的标签;
纠错训练模块,用于根据纠错训练数据,利用预设纠错损失函数对指纹纠错器进行网络训练,获取训练完成的指纹纠错器,以利用训练完成的指纹纠错器对图像解码器输出的指纹解码信息进行纠错。
在一些实施例中,预设纠错损失函数为预设纠错损失函数为;其中,N为指纹纠错器中卷积填充模块的数量,卷积填充模块包括一个和纠错卷积层和一个纠错激活函数,y为任一纠错训练指纹信息对应的标签,/>为指纹纠错器输出的纠错训练指纹信息对应的指纹纠正信息;M为任一卷积填充模块中的特征数量,f ij 为第i个卷积填充模块中第j个特征的特征值,S(·)为指纹纠错器中映射函数的输出。
在一些实施例中,该装置还可以包括:
请求获取模块,用于获取客户端设备发送的生成对抗网络下载请求;其中,生成对抗网络下载请求包括请求人信息;
指纹生成模块,用于根据生成对抗网络下载请求,生成请求人信息对应的预设指纹信息,并以请求人信息作为溯源信息,将预设指纹信息和请求人信息存储到预设指纹集;
网络发放模块,用于将预设指纹信息和生成对抗网络发送到客户端设备。
本实施例中,本发明实施例通过识别训练模块60根据识别训练数据,利用预设识别损失函数对图像解码器进行网络训练,获取训练完成的图像解码器,从而能够利用训练完成的图像解码器配合指纹纠错器对待检测图像的真伪情况进行识别,保证了深度伪造图像识别的准确性。
相应于上面的方法实施例,本发明实施例还提供了一种电子设备,下文描述的一种电子设备与上文描述的一种图像伪造识别方法和图像伪造识别的网络训练方法可相互对应参照。
请参考图6,图6为本发明实施例所提供的一种电子设备的结构示意图。该电子设备可以包括:
存储器D1,用于存储计算机程序;
处理器D2,用于执行计算机程序时实现上述方法实施例所提供的图像伪造识别方法和/或图像伪造识别的网络训练方法的步骤。
具体的,请参考图7,图7为本发明实施例所提供的一种电子设备的具体结构示意图,该电子设备410可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)422(例如,一个或一个以上处理器)和存储器432,一个或一个以上存储应用程序442或数据444的存储介质430(例如一个或一个以上海量存储设备)。其中,存储器432和存储介质430可以是短暂存储或持久存储。存储在存储介质430的程序可以包括一个或一个以上单元(图示没标出),每个单元可以包括对主机中的一系列指令操作。更进一步地,中央处理器422可以设置为与存储介质430通信,在电子设备410上执行存储介质430中的一系列指令操作。
电子设备410还可以包括一个或一个以上电源426,一个或一个以上有线或无线网络接口450,一个或一个以上输入输出接口458,和/或,一个或一个以上操作***441。例如,Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等。
电子设备410可以具体为服务器,也可以具体为计算机设备。
上文所描述的图像伪造识别方法和/或图像伪造识别的网络训练方法中的步骤可以由电子设备的结构实现。
相应于上面的方法实施例,本发明实施例还提供了一种计算机可读存储介质,下文描述的一种计算机可读存储介质与上文描述的一种图像伪造识别方法和图像伪造识别的网络训练方法可相互对应参照。
请参考图8,图8为本发明实施例所提供的一种计算机可读存储介质的结构示意图。该计算机可读存储介质70上存储有计算机程序71,计算机程序71被处理器执行时实现如上述方法实施例所提供的图像伪造识别方法和/或图像伪造识别的网络训练方法的步骤。
该计算机可读存储介质70具体可以为U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的存储介质。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、电子设备及计算机可读存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
以上对本发明所提供的一种图像伪造识别方法、图像伪造生成方法、图像伪造识别的网络训练方法、装置、电子设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (23)
1.一种图像伪造识别方法,其特征在于,包括:
获取待检测图像;
利用图像解码器,对所述待检测图像进行解码,得到图像解码结果;其中,所述图像解码结果包括指纹解码信息;
利用指纹纠错器,对所述指纹解码信息进行纠错,得到指纹纠正信息;
根据所述指纹纠正信息和预设指纹集,识别所述待检测图像的真伪情况;其中,所述预设指纹集包括预设指纹信息,所述真伪情况为真实图像或深度伪造图像;所述真伪情况为所述深度伪造图像时,所述待检测图像为图像噪声信息和某一所述预设指纹信息对应的指纹特征通过生成对抗网络生成的图像。
2.根据权利要求1所述的图像伪造识别方法,其特征在于,所述图像解码器包括解码卷积层、解码激活函数、解码全连接层和解码归一化层,所述利用图像解码器,对所述待检测图像进行解码,得到图像解码结果,包括:
利用所述解码卷积层和所述解码激活函数,对所述待检测图像进行特征提取,得到解码提取特征;
利用所述解码全连接层对所述解码提取特征进行映射,得到解码输出特征;其中,所述解码输出特征包括解码指纹特征和解码噪声特征,所述解码提取特征的维度为所述解码指纹特征与所述解码噪声特征的维度之和;
利用所述解码归一化层,对所述解码指纹特征进行归一化,得到所述指纹解码信息;其中,所述指纹解码信息为0和1组成的数字序列。
3.根据权利要求1所述的图像伪造识别方法,其特征在于,所述预设指纹集还包括各所述预设指纹信息各自对应的溯源信息,所述根据所述指纹纠正信息和预设指纹集,识别所述待检测图像的真伪情况之后,还包括:
若所述真伪情况为所述深度伪造图像,则根据所述预设指纹集,确定所述指纹解码信息对应的溯源信息。
4.根据权利要求1所述的图像伪造识别方法,其特征在于,所述根据所述指纹纠正信息和预设指纹集,识别所述待检测图像的真伪情况,包括:
判断所述预设指纹集中是否存在与所述指纹纠正信息相同的预设对抗网络指纹信息;
若是,则确定所述真伪情况为所述深度伪造图像;
若否,则确定所述真伪情况为所述真实图像。
5.根据权利要求1所述的图像伪造识别方法,其特征在于,某一所述预设指纹信息对应的指纹特征为所述生成对抗网络的新增线性层对某一所述预设指纹信息进行特征提取得到的特征。
6.根据权利要求1所述的图像伪造识别方法,其特征在于,所述指纹解码信息、所述指纹纠正信息和所述预设指纹信息均为预设指纹长度的数字序列。
7.根据权利要求1至6任一项所述的图像伪造识别方法,其特征在于,所述指纹纠错器包括纠错卷积层、纠错激活函数、纠错全连接层和映射函数。
8.根据权利要求7所述的图像伪造识别方法,其特征在于,所述利用指纹纠错器,对所述指纹解码信息进行纠错,得到指纹纠正信息,包括:
将所述指纹解码信息转换为预设矩阵规格的解码矩阵;其中,所述预设矩阵规格为u×v,u为行数,v为列数,u和v均为大于或等于1的正整数;
利用卷积填充模块,对所述解码矩阵进行卷积填充,得到预设维度的最终输出向量;其中,每个所述卷积填充模块均包括各自对应的一个纠错卷积层和一个纠错激活函数,所述预设维度为u×v×w,w为层数,w为大于或等于2的正整数;
利用所述纠错全连接层对所述最终输出向量进行映射,得到所述预设矩阵规格的映射矩阵;
利用所述映射函数,获取所述映射矩阵中各矩阵元素各自对应的映射概率;
根据所述映射概率,获取所述映射矩阵对应的纠错矩阵;其中,所述纠错矩阵中各矩阵元素分别为1或0;
将所述纠错矩阵转换为所述指纹纠正信息;其中,所述指纹纠正信息为0和1组成的数字序列。
9.一种图像伪造识别装置,其特征在于,包括:
图像获取模块,用于获取待检测图像;
图像解码模块,用于利用图像解码器,对所述待检测图像进行解码,得到图像解码结果;其中,所述图像解码结果包括指纹解码信息;
指纹纠错模块,用于利用指纹纠错器,对所述指纹解码信息进行纠错,得到指纹纠正信息;
指纹识别模块,用于根据所述指纹纠正信息和预设指纹集,识别所述待检测图像的真伪情况;其中,所述预设指纹集包括预设指纹信息,所述真伪情况为真实图像或深度伪造图像。
10.一种图像伪造识别的网络训练方法,其特征在于,包括:
获取识别训练数据;其中,所述识别训练数据包括训练伪造数据或所述训练伪造数据和训练真实数据,所述训练伪造数据包括训练用指纹信息、训练用图像噪声信息和/或训练用深度伪造图像,所述训练用深度伪造图像为所述训练用图像噪声信息和所述训练用指纹信息对应的指纹特征通过生成对抗网络生成的图像;
根据所述识别训练数据,利用预设识别损失函数对图像解码器进行网络训练,获取训练完成的图像解码器,以利用训练完成的图像解码器配合指纹纠错器对待检测图像的真伪情况进行识别。
11.根据权利要求10所述的图像伪造识别的网络训练方法,其特征在于,所述根据所述识别训练数据,利用预设识别损失函数对图像解码器进行网络训练,获取训练完成的图像解码器,包括:
根据所述识别训练数据,利用预设识别损失函数对图像解码器和生成对抗网络进行联合训练,获取训练完成的图像解码器和生成对抗网络,以利用训练完成的生成对抗网络对图像噪声信息和指纹信息对应的指纹特征进行图像生成。
12.根据权利要求11所述的图像伪造识别的网络训练方法,其特征在于,所述根据所述识别训练数据,利用预设识别损失函数对图像解码器和生成对抗网络进行联合训练,获取训练完成的图像解码器和生成对抗网络,包括:
利用所述生成对抗网络的新增线性层,对所述训练用指纹信息进行特征提取,得到所述训练用指纹信息对应的指纹特征。
13.根据权利要求11所述的图像伪造识别的网络训练方法,其特征在于,所述预设识别损失函数包括所述生成对抗网络的生成器损失函数、所述生成对抗网络的判别器损失函数和所述图像解码器的损失函数。
14.根据权利要求13所述的图像伪造识别的网络训练方法,其特征在于,所述生成器损失函数包括第一损失函数和第二损失函数,所述第一损失函数用于表征所述生成对抗网络的生成器生成的图像与真实图像之间的差距,所述第二损失函数用于表征同一图像噪声信息下不同训练用指纹信息作为输入时生成图像的差距。
15.根据权利要求13所述的图像伪造识别的网络训练方法,其特征在于,所述判别器损失函数包括第三损失函数和第四损失函数,所述第三损失函数用于表征所述生成对抗网络的判别器对真实图像及生成图像的判别与实际的差距,所述第四损失函数用于表征判别器对同一图像噪声信息下不同训练用指纹信息生成的图像的判别的差距。
16.根据权利要求13所述的图像伪造识别的网络训练方法,其特征在于,所述图像解码器的损失函数包括第五损失函数和第六损失函数,所述第五损失函数用于表征训练过程中所述图像解码器输出的指纹解码信息与相应的训练用指纹信息的差距,所述第六损失函数用于表征训练过程中所述图像解码器输出的噪声解码信息与相应的训练用图像噪声信息的差距。
17.根据权利要求13所述的图像伪造识别的网络训练方法,其特征在于,所述预设识别损失函数为;其中,L 1为所述预设识别损失函数,G(·)和D(·)分别为所述生成对抗网络的生成器和判别器的输出,F(·)为所述图像解码器的输出,z为当前训练批次的训练用图像噪声信息,c为当前训练批次的训练用图像噪声信息z对应的训练用指纹信息,x为所述训练真实数据中当前训练批次训练用图像噪声信息z对应的真实图像,/>为所述图像解码器输出的当前训练批次的第q个指纹解码信息,/>为所述图像解码器输出的图像噪声解码信息,c 1和c 2为当前训练批次的任意两个训练用指纹信息,c q 为当前训练批次的第q个训练用指纹信息,/> 、/> 、 、/> 、/>和/>分别为预设超参数。
18.根据权利要求10所述的图像伪造识别的网络训练方法,其特征在于,还包括:
获取纠错训练数据;其中,所述纠错训练数据包括纠错训练指纹信息和所述纠错训练指纹信息中每一位数字对应的标签;
根据所述纠错训练数据,利用预设纠错损失函数对指纹纠错器进行网络训练,获取训练完成的指纹纠错器,以利用训练完成的指纹纠错器对所述图像解码器输出的指纹解码信息进行纠错。
19.根据权利要求18所述的图像伪造识别的网络训练方法,其特征在于,所述预设纠错损失函数为;其中,N为所述指纹纠错器中卷积填充模块的数量,所述卷积填充模块包括一个和纠错卷积层和一个纠错激活函数,y为任一所述纠错训练指纹信息对应的标签,/>为所述指纹纠错器输出的所述纠错训练指纹信息对应的指纹纠正信息;M为任一所述卷积填充模块中的特征数量,f ij 为第i个卷积填充模块中第j个特征的特征值,S(·)为所述指纹纠错器中映射函数的输出。
20.根据权利要求10至19任一项所述的图像伪造识别的网络训练方法,其特征在于,还包括:
获取客户端设备发送的生成对抗网络下载请求;其中,所述生成对抗网络下载请求包括请求人信息;
根据所述生成对抗网络下载请求,生成所述请求人信息对应的预设指纹信息,并以所述请求人信息作为溯源信息,将所述预设指纹信息和所述请求人信息存储到预设指纹集;
将所述预设指纹信息和生成对抗网络发送到所述客户端设备。
21.一种图像伪造识别的网络训练装置,其特征在于,包括:
数据获取模块,用于获取识别训练数据;其中,所述识别训练数据包括训练伪造数据或所述训练伪造数据和训练真实数据,所述训练伪造数据包括训练用指纹信息、训练用图像噪声信息和/或训练用深度伪造图像,所述训练用深度伪造图像为所述训练用图像噪声信息和所述训练用指纹信息对应的指纹特征通过生成对抗网络生成的图像;
识别训练模块,用于根据所述识别训练数据,利用预设识别损失函数对图像解码器进行网络训练,获取训练完成的图像解码器,以利用训练完成的图像解码器配合指纹纠错器对待检测图像的真伪情况进行识别。
22.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至8任一项所述的图像伪造识别方法和/或如权利要求10至20任一项所述的图像伪造识别的网络训练方法的步骤。
23.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的图像伪造识别方法和/或如权利要求10至20任一项所述的图像伪造识别的网络训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311099611.1A CN116824647B (zh) | 2023-08-29 | 2023-08-29 | 图像伪造识别方法、网络训练方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311099611.1A CN116824647B (zh) | 2023-08-29 | 2023-08-29 | 图像伪造识别方法、网络训练方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116824647A true CN116824647A (zh) | 2023-09-29 |
CN116824647B CN116824647B (zh) | 2024-01-23 |
Family
ID=88114892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311099611.1A Active CN116824647B (zh) | 2023-08-29 | 2023-08-29 | 图像伪造识别方法、网络训练方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116824647B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809139A (zh) * | 2024-02-29 | 2024-04-02 | 苏州元脑智能科技有限公司 | 合成图像识别的网络训练方法以及合成图像识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627503A (zh) * | 2021-07-30 | 2021-11-09 | 中国科学院计算技术研究所 | 生成图像溯源方法与装置、模型训练方法与装置、电子设备及存储介质 |
CN113988180A (zh) * | 2021-10-28 | 2022-01-28 | 杭州中科睿鉴科技有限公司 | 基于模型指纹的生成图像溯源方法 |
CN114663924A (zh) * | 2022-03-29 | 2022-06-24 | 浙江工业大学 | 一种基于光学相干层析成像的伪造指纹自动检测方法 |
CN115830723A (zh) * | 2023-02-23 | 2023-03-21 | 苏州浪潮智能科技有限公司 | 一种训练集图像的相关方法和相关装置 |
CN116630727A (zh) * | 2023-07-26 | 2023-08-22 | 苏州浪潮智能科技有限公司 | 模型训练方法、深伪图像检测方法、装置、设备及介质 |
-
2023
- 2023-08-29 CN CN202311099611.1A patent/CN116824647B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627503A (zh) * | 2021-07-30 | 2021-11-09 | 中国科学院计算技术研究所 | 生成图像溯源方法与装置、模型训练方法与装置、电子设备及存储介质 |
CN113988180A (zh) * | 2021-10-28 | 2022-01-28 | 杭州中科睿鉴科技有限公司 | 基于模型指纹的生成图像溯源方法 |
CN114663924A (zh) * | 2022-03-29 | 2022-06-24 | 浙江工业大学 | 一种基于光学相干层析成像的伪造指纹自动检测方法 |
CN115830723A (zh) * | 2023-02-23 | 2023-03-21 | 苏州浪潮智能科技有限公司 | 一种训练集图像的相关方法和相关装置 |
CN116630727A (zh) * | 2023-07-26 | 2023-08-22 | 苏州浪潮智能科技有限公司 | 模型训练方法、深伪图像检测方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
YU NING 等: "Attributing Fake Images to GANs: Learning and Analyzing GAN Fingerprints", 《ARXIV》, pages 1 - 8 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809139A (zh) * | 2024-02-29 | 2024-04-02 | 苏州元脑智能科技有限公司 | 合成图像识别的网络训练方法以及合成图像识别方法 |
CN117809139B (zh) * | 2024-02-29 | 2024-05-03 | 苏州元脑智能科技有限公司 | 合成图像识别的网络训练方法以及合成图像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116824647B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Image splicing forgery detection combining coarse to refined convolutional neural network and adaptive clustering | |
CN105917353B (zh) | 用于生物认证的特征提取及匹配以及模板更新 | |
CN113435556B (zh) | 一种点阵码的生码、解码方法及防伪方法 | |
CN110766594B (zh) | 信息隐藏方法及装置、检测方法、装置及防伪溯源方法 | |
CN116824647B (zh) | 图像伪造识别方法、网络训练方法、装置、设备及介质 | |
EP4085369A1 (en) | Forgery detection of face image | |
CN109978078B (zh) | 字体版权检测方法、介质、计算机设备及装置 | |
CN110765795B (zh) | 二维码识别方法、装置及电子设备 | |
CN113705426B (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
CN111339897B (zh) | 活体识别方法、装置、计算机设备和存储介质 | |
CN106169064A (zh) | 一种现实增强***的图像识别方法和*** | |
CN116822623B (zh) | 一种生成对抗网络联合训练方法、装置、设备及存储介质 | |
CN111931783A (zh) | 一种训练样本生成方法、机读码识别方法及装置 | |
CN112560989B (zh) | 一种基于大数据的人工智能防伪图像识别方法及*** | |
Krish et al. | Pre‐registration of latent fingerprints based on orientation field | |
CN110401488B (zh) | 一种解调方法及装置 | |
CN113723294B (zh) | 数据处理方法、装置及对象识别方法、装置 | |
Liu | Anti-counterfeit system based on mobile phone QR code and fingerprint | |
CN116630727B (zh) | 模型训练方法、深伪图像检测方法、装置、设备及介质 | |
CN116071804A (zh) | 人脸识别的方法、装置和电子设备 | |
CN116129484A (zh) | 模型训练和活体检测的方法、装置、电子设备及存储介质 | |
CN111738248B (zh) | 字符识别方法、字符译码模型的训练方法及电子设备 | |
CN115526282A (zh) | 水印加密方法、水印提取方法、装置及存储介质 | |
CN112766404A (zh) | 一种基于深度学习的中华绒螯蟹的真伪识别方法及*** | |
WO2007052957A1 (en) | Device and method of classifying an image |
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 |