申请/专利权人：南京信息工程大学

申请日：2023-10-07

公开（公告）日：2024-04-16

公开（公告）号：CN117218707B

主分类号：G06V40/16

分类号：G06V40/16;G06V10/82;G06N3/0464;G06V40/40

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2023.12.29#实质审查的生效;2023.12.12#公开

摘要：本发明公开了一种基于积极扰动的Deepfake人脸检测方法，包括：将目标人脸图像输入训练好的生成器网络进行积极扰动的添加，得到带有积极扰动的生成图像；生成器网络包括超分辨率网络和噪声网络两个子网络；将生成图像输入真伪鉴别网络进行检测，输出目标人脸图像的预测标签，确定目标人脸图像的检测结果；其中所述生成器网络的构建训练方法包括：利用真假人脸图像对训练数据集，对生成器网络、真实图像特征鉴别器和伪造图像特征鉴别器网络进行迭代训练，直至生成器网络、真实图像特征鉴别器和伪造图像特征鉴别器网络的损失函数均达到对应的预设要求，得到训练好的生成器网络。对输入的人脸图像添加积极扰动，引导Deepfake人脸检测网络产生正确的分类。

主权项：1.一种基于积极扰动的Deepfake人脸检测方法，其特征在于，所述方法包括：将目标人脸图像输入训练好的生成器网络进行积极扰动的添加，得到带有积极扰动的生成图像；其中所述生成器网络包括超分辨率网络和噪声网络两个子网络；将所述生成图像输入真伪鉴别网络进行检测，输出目标人脸图像的预测标签，确定目标人脸图像的检测结果；其中所述生成器网络的构建训练方法包括：构建生成器网络、特征鉴别器网络和真伪鉴别网络；其中所述特征鉴别器包括真实图像特征鉴别器和伪造图像特征鉴别器；设置训练生成器网络、真实图像特征鉴别器和伪造图像特征鉴别器网络的损失函数；利用真假人脸图像对训练数据集，对生成器网络、真实图像特征鉴别器和伪造图像特征鉴别器网络进行迭代训练，直至生成器网络、真实图像特征鉴别器和伪造图像特征鉴别器网络的损失函数均达到对应的预设要求，得到训练好的生成器网络，具体包括：输入真假人脸图像对训练数据集作为原始图像，结合生成器网络的总损失函数，将积极扰动加入到输入的原始图像中，由生成器网络得到带有积极扰动的生成图像；其中，所述原始图像包括对应的原始真图和原始假图；所述生成图像包括对应的生成真图和生成假图；将生成图像和原始图像输入预训练好的真伪鉴别网络中进行特征提取，再将真伪鉴别网络提取得到的两者的特征输入特征鉴别器中鉴别，所述特征鉴别器用于帮助生成器生成更符合要求的生成图像；计算真实图像特征鉴别器和伪造图像特征鉴别器网络的损失函数，更新真实图像特征鉴别器和伪造图像特征鉴别器网络参数，使得特征鉴别器学习到原始图像特征和生成图像特征的区别；计算生成器网络中的总损失函数，更新生成器网络参数，使得生成器生成更符合要求的生成图像；迭代执行上述步骤，直至生成器网络、真实图像特征鉴别器和伪造图像特征鉴别器网络的损失函数均达到对应的预设要求，得到训练好的生成器网络；其中，所述生成器网络的构建方法，包括：所述超分辨率网络，通过超分辨率方法生成与原始图像大小相同但分辨率更高的图像；首先通过2个卷积层的编码器提取图像特征同时进行下采样；接着，采用8个各带有两个卷积层的残差模块，每个残差模块依次包括第一卷积层、ReLU和第二卷积层，加深网络层数的同时又避免了退化问题；经过最后一个残差模块之后通过一个卷积层将特征输入上采样模块，所述上采样模块包括一个像素Shuffle操作放大分辨率和一个反卷积操作进行上采样；所述噪声网络，通过编码器解码器结构来生成噪声图像，通过损失函数的控制来达到生成积极扰动的效果；首先通过包含4个卷积层的编码器来提取特征，每个卷积层后面都包含实例归一化和ReLU；接着，堆叠4个残差模块来增强编码器的表示能力并提取更丰富的特征信息；然后解码器包含4个反卷积操作来进行上采样并生成与原始图像大小相同的积极扰动，前3个反卷积操作之后都包含实例归一化和ReLU，最后一个反卷积操作之后是一个Tanh激活函数；将输入的人脸图像经过超分辨率网络和噪声网络，分别得到超分辨率图像和噪声图像，将超分辨率图像和噪声图像进行通道拼接并使用1×1卷积来将噪声添加融合到超分辨率图像上，得到含有积极扰动的生成图像。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种基于积极扰动的Deepfake人脸检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD