CN109684797A - 基于区块链的对抗网络生成图片的虚拟ip保护方法及系统 - Google Patents
基于区块链的对抗网络生成图片的虚拟ip保护方法及系统 Download PDFInfo
- Publication number
- CN109684797A CN109684797A CN201811396192.7A CN201811396192A CN109684797A CN 109684797 A CN109684797 A CN 109684797A CN 201811396192 A CN201811396192 A CN 201811396192A CN 109684797 A CN109684797 A CN 109684797A
- Authority
- CN
- China
- Prior art keywords
- user
- image
- vector
- virtual
- feature vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 181
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 14
- 230000008901 benefit Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000521905 Heliopsis helianthoides Species 0.000 description 1
- 241000404095 Heteranthemis Species 0.000 description 1
- 241001417519 Priacanthidae Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/10—Protecting distributed programs or content, e.g. vending or licensing of copyrighted material ; Digital rights management [DRM]
- G06F21/16—Program or content traceability, e.g. by watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L61/00—Network arrangements, protocols or services for addressing or naming
- H04L61/35—Network arrangements, protocols or services for addressing or naming involving non-standard use of addresses for implementing network functionalities, e.g. coding subscription information within the address or functional addressing, i.e. assigning an address to a function
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Technology Law (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于区块链的对抗网络生成图片的虚拟IP保护方法及系统，所述方法包括：使用预先准备的训练数据训练预先构建的生成对抗网络模型，其中所述生成对抗网络模型包括生成器和判别器；通过预设的提取用户特征向量的方法将第一用户画像转换为第一用户特征向量；获取第一随机噪声，将所述第一用户特征向量与第一随机噪声拼接，获取第一图像特征向量；将所述第一图像特征向量输入所述训练后的生成对抗网络模型，获取第一用户形象图像；计算所述第一图像特征向量以及第一用户形象图像的哈希值，并将其作为用户的虚拟IP的哈希值写入区块链中。本发明可针对用户画像自动生成图像，避免相关的版权问题，且可以防止用户虚拟IP被侵权和篡改。
Description
技术领域
本发明涉及区块链技术领域，特别涉及一种基于区块链的对抗网络生成图片的虚拟IP保护方法及系统。
背景技术
近几年区块链技术的研究与应用呈现出迅猛增长态势。区块链技术通过去中心化，运用数据加密、时间戳、分布式共识和经济激励等手段，在节点无需互相信任的分布式系统中实现基于去中心化信用的点对点交易、协调与协作，从而为解决中心化机构普遍存在的高成本、低效率和数据存储不安全等问题提供了解决方案。区块链具有可溯源、不可篡改、匿名等优势。
与此同时，生成对抗网络(Generative Adversarial Networks，GAN)是人工智能学界的另一个热门研究方向。GAN由一个生成器和一个判别器构成，使用对抗学习的方式迭代训练生成器与判别器。最终估测出训练数据的分布，并利用训练好的生成器模型生成新样本。GAN在图像领域的一个应用就是根据已知的某种类型的图像数据集生成新的图像。通过生成对抗网络(GAN)直接生成图像，可以。
因此，如何结合利用生成对抗网络与区块链生成并保护图像，替代操作复杂的人工设计图像的过程，同时避免相关版权问题，保护用户的虚拟IP不被修改，成为一个亟需解决的问题。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种基于区块链的对抗网络生成图片的虚拟IP保护方法及系统，以克服现有技术中人工设计图像操作复杂且容易引发相关版权问题、中心化存储不能保证用户的虚拟IP不被修改以及侵权等问题。
为解决上述技术问题，本发明采用的技术方案是：
一方面，提供了一种基于区块链的对抗网络生成图片的虚拟IP保护方法，所述方法包括如下步骤：
S1：使用预先准备的训练数据训练预先构建的生成对抗网络模型，其中所述生成对抗网络模型包括生成器和判别器；
S2：通过预设的提取用户特征向量的方法将第一用户画像转换为第一用户特征向量；
S3：获取第一随机噪声，将所述第一用户特征向量与第一随机噪声拼接，获取第一图像特征向量；
S4：将所述第一图像特征向量输入所述训练后的生成对抗网络模型，获取第一用户形象图像；
S5：计算所述第一图像特征向量以及第一用户形象图像的哈希值，并将其作为用户的虚拟IP的哈希值写入区块链中。
进一步的，所述步骤S1具体包括：
S1.1：准备训练数据，通过预设的提取用户特征向量的方法将第二用户画像转换为第二用户特征向量；
S1.2：获取第二随机噪声，将所述第二用户特征向量与第二随机噪声拼接，获取第二图像特征向量；
S1.3：将所述第二图像特征向量输入所述生成对抗网络模型的生成器，获取第二用户形象图像；
S1.4：将所述第二用户形象图像以及第二用户画像输入所述生成对抗网络模型的判别器，获取预测标签以及第二图像特征向量的预测值；
S1.5：重复步骤S1.1至S1.4，直到达到停止条件为止。
进一步的，所述获取第二随机噪声具体包括：
设定第二种子，利用所述第二种子生成100维伯努利噪声，所述100维伯努利噪声即为所述第二随机噪声。
进一步的，所述预设的提取用户特征向量的方法包括：
将用户画像映射到一个n维向量上，其中，n＝1，2，3…，用户画像的每个特征对应向量中的至少一维。
进一步的，所述获取第一随机噪声具体包括：
设定第一种子，利用所述第一种子生成100维伯努利噪声，所述100维伯努利噪声即为所述第一随机噪声。
进一步的，所述步骤S5具体包括：
S5.1：对所述第一图像特征向量进行哈希计算，获取第一图像特征向量的哈希值；
S5.2：对所述第一用户形象图像进行哈希计算，获取第一用户形象图像的哈希值；
S5.3：将所述第一图像特征向量的哈希值与所述第一用户形象图像的哈希值进行拼接，作为用户的虚拟IP的哈希值，并将其写入区块链中。
另一方面，提供了一种基于区块链的对抗网络生成图片的虚拟IP保护系统，所述系统包括：
训练模块，用于使用预先准备的训练数据训练预先构建的生成对抗网络模型，其中所述生成对抗网络模型包括生成器和判别器；
向量获取模块，用于通过预设的提取用户特征向量的方法将第一用户画像转换为第一用户特征向量；
模型输入获取模块，用于获取第一随机噪声，并将所述第一用户特征向量与第一随机噪声拼接，获取第一图像特征向量；
图像生成模块，用于将所述第一图像特征向量输入所述训练后的生成对抗网络模型，获取第一用户形象图像；
计算模块，用于计算所述第一图像特征向量以及第一用户形象图像的哈希值；
区块链，用于存储用户的虚拟IP的哈希值。
进一步的，所述训练模块包括：
训练数据获取单元，用于通过预设的提取用户特征向量的方法将第二用户画像转换为第二用户特征向量；
向量拼接单元，用于获取第二随机噪声，并将所述第二用户特征向量与第二随机噪声拼接，获取第二图像特征向量；
生成单元，将所述第二图像特征向量输入所述生成对抗网络模型的生成器，获取第二用户形象图像；
判别单元，用于将所述第二用户形象图像以及第二用户画像输入所述生成对抗网络模型的判别器，获取预测标签以及第二图像特征向量的预测值。
进一步的，所述向量拼接单元包括：
第二随机噪声获取单元，用于设定第二种子，利用所述第二种子生成100维伯努利噪声，所述100维伯努利噪声即为所述第二随机噪声。
进一步的，所述向量获取模块包括：
映射单元，用于将用户画像映射到一个n维向量上，其中，n＝1，2，3…，用户画像的每个特征对应向量中的至少一维。
进一步的，所述模型输入获取模块包括：
第一随机噪声获取单元，用于设定第一种子，利用所述第一种子生成100维伯努利噪声，所述100维伯努利噪声即为所述第一随机噪声。
进一步的，所述计算模块包括：
计算单元，用于对所述第一图像特征向量进行哈希计算，获取第一图像特征向量的哈希值，以及对所述第一用户形象图像进行哈希计算，获取第一用户形象图像的哈希值；
数据拼接单元，用于将所述第一图像特征向量的哈希值与所述第一用户形象图像的哈希值进行拼接，作为用户的虚拟IP哈希值；
数据传送单元，用于将用户的虚拟IP的哈希值发送至区块链。
本发明实施例提供的技术方案带来的有益效果是：
1、本发明实施例提供的基于区块链的对抗网络生成图片的虚拟IP保护方法及系统，利用生成对抗网络模型，只需要输入用户属性就可以自动生成与用户相关的特征向量，并通过特征向量得到用户形象(即针对用户画像自动生成图像)，取代了操作复杂的人工设计图像的过程，同时不需要人工审核，就可以避免相关的版权问题；
2、本发明实施例提供的基于区块链的对抗网络生成图片的虚拟IP保护方法及系统，将包含用户特征向量和用户形象的虚拟IP写入区块链，利用区块链的可追溯、不可篡改、匿名等优势，起到对用户虚拟IP防止侵权和篡改的作用。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的基于区块链的对抗网络生成图片的虚拟IP保护方法的流程图；
图2是根据一示例性实施例示出的使用预先准备的训练数据训练预先构建的生成对抗网络模型的流程图；
图3是根据一示例性实施例示出的计算所述第一图像特征向量以及用户形象图像的哈希值，并将其作为用户的虚拟IP的哈希值写入区块链中的流程图；
图4是根据一示例性实施例示出的获取图像特征向量的示意图；
图5是根据一示例性实施例示出的生成对抗网络模型的判别器和生成器的输入输出关系的示意图；
图6是根据一示例性实施例示出的不同的图像特征向量采用生成对抗网络模型生成的图像的示意图；
图7是根据一示例性实施例示出的具有不同的随机噪声的同一图像特征向量采用生成对抗网络模型生成的图像的示意图；
图8是根据一示例性实施例示出的基于区块链的对抗网络生成图片的虚拟IP保护系统的结构示意图；
图9是根据一示例性实施例示出的基于区块链的对抗网络生成图片的虚拟IP保护系统的训练模块的结构示意图；
图10是根据一示例性实施例示出的基于区块链的对抗网络生成图片的虚拟IP保护系统的计算模块的结构示意图。
具体实施方式
为使本发明的目的、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，所描述的实施例仅仅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。
图1是根据一示例性实施例示出的基于区块链的对抗网络生成图片的虚拟IP保护方法的流程图，参照图1所示，所述方法包括如下步骤：
S1：使用预先准备的训练数据训练预先构建的生成对抗网络模型，其中所述生成对抗网络模型包括生成器和判别器。
具体的，训练数据为真实图像集合和其对应的用户画像集合。预先构建的生成对抗网络(即对抗网络，又称对抗神经网络)模型，具体包括一个生成器和一个判别器。生成器的输入为用户特征向量和一个随机噪声向量，输出为用户形象图像，判别器的输入为用户形象图像和用户画像，输出为预测标签和图像特征向量的预测值。其中，预测标签用于判定用户形象图像是真实图还是生成的假图。通过查看预测标签的真假以及将图像特征向量与图像特征向量的预测值进行对比，判断对生成对抗网络模型的训练是否合格，若合格，则停止训练，否则继续对模型进行训练。
S2：通过预设的提取用户特征向量的方法将第一用户画像转换为第一用户特征向量。
具体的，预先设定一种将用户画像转换为适用于对抗网络(GAN)模型输入的图像特征向量的方法。用户画像可以是对用户进行的描述，如性别、眼睛大小等，也可以是没有明确意义的抽象特征。使用预设的提取用户特征向量的方法将抽象特征转换为第一用户特征向量f。该方法可以是简单的数据映射，也可以通过训练深度模型得到。
进一步的，在本发明实施例中，所述预设的提取用户特征向量的方法为：将用户画像映射到一个n维向量f上，其中，n＝1，2，3…，用户画像的每个特征对应向量中的至少一维，即用户画像的每个特征可以对应向量中的一维，也可以对应向量中的多维。比如，第一维表示性别，0为男，1为女，第二维表示眼睛大小，0表示小，1表示大等。这里需要说明的是，用户画像的维数取决于原始用户画像数据的维度，每个用户画像的特征可以映射成对应的一维或多维向量。
S3：获取第一随机噪声，将所述第一用户特征向量与第一随机噪声拼接，获取第一图像特征向量。
具体的，除了需要使用预设的提取用户特征向量的方法获取第一用户特征向量f外，还需要生成符合某种分布的第一随机噪声z。第一随机噪声z可以用来保证第一图像特征向量的唯一性。将第一随机噪声z与第一用户特征向量f拼接起来，得到输入给对抗网络(GAN)模型的第一图像特征向量v，其中，v＝(f，z)。
进一步的，在本发明实施例中，第一随机噪声通过以下方式获得：
设定第一种子r，利用所述第一种子生成100维伯努利噪声，所述100维伯努利噪声即为所述第一随机噪声z。设定第一种子r并将其记录下来，可以方便后续查询第一随机噪声z是如何生成的。第一随机噪声z选择100维伯努利噪声，这样得到的随机噪声共有2^100组，远远大于全世界的所有人口，足以保证唯一性。
S4：将所述第一图像特征向量输入所述训练后的生成对抗网络模型，获取第一用户形象图像。
具体的，将所述第一图像特征向量v输入所述训练后的生成对抗网络(GAN)模型后，可以获取第一用户形象图像o，其中，o＝G(f，z)。这里需要说明的是，若是将种子r向下一位迭代，可以生成具有不同属性的图像，即用户特征向量相同，但是随机噪声不同，则生成的图像也不相同。
S5：计算所述第一图像特征向量以及第一用户形象图像的哈希值，并将其作为用户的虚拟IP的哈希值写入区块链中。
具体的，选定一种哈希函数，将第一图像特征向量、第一用户形象图像分别进行哈希运算，将得到的两个哈希值拼接作为最终输出的虚拟IP的哈希值，即用户的虚拟IP的哈希值写入区块链中。当有用户进入时，根据用户提供的第一图像特征向量信息计算其哈希值，到区块链上查找，以验证该用户是否入侵其他用户。这里需要说明的是，作为优选，本发明实施例中选则双SHA256的编码方法，计算哈希值。
图2是根据一示例性实施例示出的使用预先准备的训练数据训练预先构建的生成对抗网络模型的流程图，参照图2所示，其包括如下步骤：
S1.1：准备训练数据，通过预设的提取用户特征向量的方法将第二用户画像转换为第二用户特征向量。
具体的，在本发明实施例中，以卡通头像为训练数据的数据集，采集了约2万张互联网上的卡通图像作为第二用户画像。通过预设的提取图像特征向量的方法将第二用户画像(即上述约2万张卡通图像)转换为第二用户特征向量，以此作为对生成对抗网络(GAN)模型的训练数据。其中，以性别、眼睛大小作为用户画像特征，其中性别＝{男，女}，眼睛＝{大，小}。除此之外，也可以选择手工对这2万张图像进行标注。
S1.2：获取第二随机噪声，将所述第二用户特征向量与第二随机噪声拼接，获取第二图像特征向量。
具体的，训练模型时，也需要生成第二随机噪声，将第二随机噪声与第二用户特征向量进行拼接，得到第二图像特征向量。同样的，第二随机噪声可以用来保证第二图像特征向量的唯一性。
进一步的，第二随机噪声的获取可以通过以下方法：
设定第二种子，利用所述第二种子生成100维伯努利噪声，所述100维伯努利噪声即为所述第二随机噪声。这里需要说明的是，选择100维伯努利噪声作为第二随机噪声，这样得到的随机噪声共有2^100组，远远大于全世界的所有人口，足以保证唯一性。
S1.3：将所述第二图像特征向量输入所述生成对抗网络模型的生成器，获取第二用户形象图像。
具体的，预先构建的生成对抗网络(GAN)模型的包括生成器G和判别器D，将所述第二图像特征向量输入生成器G，获取第二用户形象图像。
S1.4：将所述第二用户形象图像以及第二用户画像输入所述生成对抗网络模型的判别器D，获取预测标签以及第二图像特征向量的预测值。
具体的，将生成器G生成的第二用户形象图像以及第二用户画像输入判别器D，获取预测标签以及第二图像特征向量的预测值，其中，预测标签用于判定第二用户形象图像是真实图还是生成的假图。
S1.5：重复步骤S1.1至S1.4，直到达到停止条件为止。
具体的，用训练数据集中的卡通图像重复步骤S1.1至S1.4，直到获取的预测标签为真，且第二图像特征向量的预测值与第二图像特征向量相同，才可停止对生成对抗网络模型进行训练。在本发明实施例中，优化函数如下所示：
作为优选，取
LS＝E[log P(S＝1|x)]+E[log P(S＝0|G(f，z))]，
LC＝E[log P(C＝f|x，f)]，
其中，λ＝0.2。作为优选，在优化过程中使用Adam优化器交替对生成器G和判别器D进行优化。
图3是根据一示例性实施例示出的计算所述第一图像特征向量以及用户形象图像的哈希值，并将其作为用户的虚拟IP的哈希值写入区块链中的流程图，参照图3所示，其包括如下步骤：
S5.1：对所述第一图像特征向量进行哈希计算，获取第一图像特征向量的哈希值。
S5.2：对所述第一用户形象图像进行哈希计算，获取第一用户形象图像的哈希值。
S5.3：将所述第一图像特征向量的哈希值与所述第一用户形象图像的哈希值进行拼接，作为用户的虚拟IP的哈希值，并将其写入区块链中。
具体的，本发明实施例中，根据双SHA256的编码方法，分别对第一图像特征向量以及第一用户形象图像进行哈希计算，获取第一图像特征向量的哈希值以及第一用户形象图像的哈希值，然后将上述两个哈希值进行拼接，作为用户的虚拟IP的哈希值，将其写入区块链中存储。
图4是根据一示例性实施例示出的获取图像特征向量的示意图，其中，图像特征向量包括第一图像特征向量和第二图像特征向量，参照图4所示：
首先通过预设的提取用户像特征向量的方法将用户画像转换为用户特征向量f，然后获取一个随机噪声z，将用户特征向量f与随机噪声z进行拼接，得到图像特征向量v，其中，v＝(f，z)。
图5是根据一示例性实施例示出的生成对抗网络模型的判别器和生成器的输入输出关系的示意图，参照图5所示，具体如下：
先将图像特征向量v(由用户特征向量f与随机噪声z进行拼接得到)输入生成对抗网络(GAN)模型的生成器G后，可以用户形象图像o，其中，o＝G(f，z)。然后将用户形象图像o和用户画像x(如真实图像)输入判别器D，获取预测标签以及图像特征向量的预测值，其中，预测标签包括真和假。
图6是根据一示例性实施例示出的不同的用户特征向量采用生成对抗网络模型生成的图像的示意图，参照图6所示，用户特征向量从左到右依次是：男大眼睛，男小眼睛，女大眼睛，女小眼睛。实际此图为彩色图像。
图7是根据一示例性实施例示出的具有不同的随机噪声的同一用户特征向量采用生成对抗网络模型生成的图像的示意图，参照图7所示，4个图像的用户特征向量均是女大眼睛，具有不同的随机噪声。实际此图为彩色图像。
图8是根据一示例性实施例示出的基于区块链的对抗网络生成图片的虚拟IP保护系统的结构示意图，参照图8所述，所述系统包括：
训练模块，用于使用预先准备的训练数据训练预先构建的生成对抗网络模型，其中所述生成对抗网络模型包括生成器和判别器。
向量获取模块，用于通过预设的提取用户特征向量的方法将第一用户画像转换为第一用户特征向量。
进一步的，所述向量获取模块包括：
映射单元，用于将用户画像映射到一个n维向量上，其中，n＝1，2，3…，用户画像的每个特征对应向量中的至少一维，即用户画像的每个特征可以对应向量中的一维，也可以对应向量中的多维。比如，第一维表示性别，0为男，1为女，第二维表示眼睛大小，0表示小，1表示大等。
模型输入获取模块，用于获取第一随机噪声，并将所述第一用户特征向量与第一随机噪声拼接，获取第一图像特征向量。
进一步的，所述模型输入获取模块包括：
第一随机噪声获取单元，用于设定第一种子，利用所述第一种子生成100维伯努利噪声，所述100维伯努利噪声即为所述第一随机噪声。
图像生成模块，用于将所述第一图像特征向量输入所述训练后的生成对抗网络模型，获取第一用户形象图像。
计算模块，用于计算所述第一图像特征向量以及第一用户形象图像的哈希值。
区块链，用于存储用户的虚拟IP的哈希值。
图9是根据一示例性实施例示出的基于区块链的对抗网络生成图片的虚拟IP保护系统的训练模块的结构示意图，参照图9所示，所述训练模块包括：
训练数据获取单元，用于通过预设的提取用户特征向量的方法将第二用户画像转换为第二用户特征向量；
向量拼接单元，用于获取第二随机噪声，并将所述第二用户特征向量与第二随机噪声拼接，获取第二图像特征向量；
生成单元，将所述第二图像特征向量输入所述生成对抗网络模型的生成器，获取第二用户形象图像；
判别单元，用于将所述第二用户形象图像以及第二用户画像输入所述生成对抗网络模型的判别器，获取预测标签以及第二图像特征向量的预测值。
具体的，训练数据获取单元的输出与向量拼接单元的输入相连接，向量拼接单元的输出与生成单元的输入相连接，生成单元的输出与判别单元的输入相连接。
进一步的，所述向量拼接单元包括：
第二随机噪声获取单元，用于设定第二种子，利用所述第二种子生成100维伯努利噪声，所述100维伯努利噪声即为所述第二随机噪声。
图10是根据一示例性实施例示出的基于区块链的对抗网络生成图片的虚拟IP保护系统的计算模块的结构示意图，参照图10所示，所述计算模块包括：
计算单元，用于对所述第一图像特征向量进行哈希计算，获取第一图像特征向量的哈希值，以及对所述第一用户形象图像进行哈希计算，获取第一用户形象图像的哈希值；
数据拼接单元，用于将所述第一图像特征向量的哈希值与所述第一用户形象图像的哈希值进行拼接，作为用户的虚拟IP的的哈希值；
数据传送单元，用于将用户的虚拟IP的哈希值发送至区块链。
具体的，计算单元的输出与数据拼接单元的输入相连接，数据拼接单元的输出与数据传送单元的输入相连接。
综上所述，本发明实施例提供的技术方案带来的有益效果是：
1、本发明实施例提供的基于区块链的对抗网络生成图片的虚拟IP保护方法及系统，利用生成对抗网络模型，只需要输入用户属性就可以自动生成与用户相关的特征向量，并通过特征向量得到用户形象(即针对用户画像自动生成图像)，取代了操作复杂的人工设计图像的过程，同时不需要人工审核，就可以避免相关的版权问题；
2、本发明实施例提供的基于区块链的对抗网络生成图片的虚拟IP保护方法及系统，将包含用户特征向量和用户形象的虚拟IP写入区块链，利用区块链的可追溯、不可篡改、匿名等优势，起到对用户虚拟IP防止侵权和篡改的作用。
需要说明的是：上述实施例提供的基于区块链的对抗网络生成图片的虚拟IP保护系统在触发保护图片的虚拟IP时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于区块链的对抗网络生成图片的虚拟IP保护系统与基于区块链的对抗网络生成图片的虚拟IP保护方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。此外，上述实施例提供的基于区块链的对抗网络生成图片的虚拟IP保护系统也可以是基于上述实施例提供的基于区块链的对抗网络生成图片的虚拟IP保护方法来构建的。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (12)
1.一种基于区块链的对抗网络生成图片的虚拟IP保护方法，其特征在于，所述方法包括如下步骤：
S1：使用预先准备的训练数据训练预先构建的生成对抗网络模型，其中所述生成对抗网络模型包括生成器和判别器；
S2：通过预设的提取用户特征向量的方法将第一用户画像转换为第一用户特征向量；
S3：获取第一随机噪声，将所述第一用户特征向量与第一随机噪声拼接，获取第一图像特征向量；
S4：将所述第一图像特征向量输入所述训练后的生成对抗网络模型，获取第一用户形象图像；
S5：计算所述第一图像特征向量以及第一用户形象图像的哈希值，并将其作为用户的虚拟IP的哈希值写入区块链中。
2.根据权利要求1所述的基于区块链的对抗网络生成图片的虚拟IP保护方法，其特征在于，所述步骤S1具体包括：
S1.1：准备训练数据，通过预设的提取用户特征向量的方法将第二用户画像转换为第二用户特征向量；
S1.2：获取第二随机噪声，将所述第二用户特征向量与第二随机噪声拼接，获取第二图像特征向量；
S1.3：将所述第二图像特征向量输入所述生成对抗网络模型的生成器，获取第二用户形象图像；
S1.4：将所述第二用户形象图像以及第二用户画像输入所述生成对抗网络模型的判别器，获取预测标签以及第二图像特征向量的预测值；
S1.5：重复步骤S1.1至S1.4，直到达到停止条件为止。
3.根据权利要求2所述的基于区块链的对抗网络生成图片的虚拟IP保护方法，其特征在于，所述获取第二随机噪声具体包括：
设定第二种子，利用所述第二种子生成100维伯努利噪声，所述100维伯努利噪声即为所述第二随机噪声。
4.根据权利要求1或2所述的基于区块链的对抗网络生成图片的虚拟IP保护方法，其特征在于，所述预设的提取用户特征向量的方法包括：
将用户画像映射到一个n维向量上，其中，n＝1，2，3…，用户画像的每个特征对应向量中的至少一维。
5.根据权利要求1或2所述的基于区块链的对抗网络生成图片的虚拟IP保护方法，其特征在于，所述获取第一随机噪声具体包括：
设定第一种子，利用所述第一种子生成100维伯努利噪声，所述100维伯努利噪声即为所述第一随机噪声。
6.根据权利要求1或2所述的基于区块链的对抗网络生成图片的虚拟IP保护方法，其特征在于，所述步骤S5具体包括：
S5.1：对所述第一图像特征向量进行哈希计算，获取第一图像特征向量的哈希值；
S5.2：对所述第一用户形象图像进行哈希计算，获取第一用户形象图像的哈希值；
S5.3：将所述第一图像特征向量的哈希值与所述第一用户形象图像的哈希值进行拼接，作为用户的虚拟IP的哈希值，并将其写入区块链中。
7.一种基于区块链的对抗网络生成图片的虚拟IP保护系统，其特征在于，所述系统包括：
训练模块，用于使用预先准备的训练数据训练预先构建的生成对抗网络模型，其中所述生成对抗网络模型包括生成器和判别器；
向量获取模块，用于通过预设的提取用户特征向量的方法将第一用户画像转换为第一用户特征向量；
模型输入获取模块，用于获取第一随机噪声，并将所述第一用户特征向量与第一随机噪声拼接，获取第一图像特征向量；
图像生成模块，用于将所述第一图像特征向量输入所述训练后的生成对抗网络模型，获取第一用户形象图像；
计算模块，用于计算所述第一图像特征向量以及第一用户形象图像的哈希值；
区块链，用于存储用户的虚拟IP的哈希值。
8.根据权利要求7所述的基于区块链的对抗网络生成图片的虚拟IP保护系统，其特征在于，所述训练模块包括：
训练数据获取单元，用于通过预设的提取用户特征向量的方法将第二用户画像转换为第二用户特征向量；
向量拼接单元，用于获取第二随机噪声，并将所述第二用户特征向量与第二随机噪声拼接，获取第二图像特征向量；
生成单元，将所述第二图像特征向量输入所述生成对抗网络模型的生成器，获取第二用户形象图像；
判别单元，用于将所述第二用户形象图像以及第二用户画像输入所述生成对抗网络模型的判别器，获取预测标签以及第二图像特征向量的预测值。
9.根据权利要求7所述的基于区块链的对抗网络生成图片的虚拟IP保护系统，其特征在于，所述向量拼接单元包括：
第二随机噪声获取单元，用于设定第二种子，利用所述第二种子生成100维伯努利噪声，所述100维伯努利噪声即为所述第二随机噪声。
10.根据权利要求7或8所述的基于区块链的对抗网络生成图片的虚拟IP保护系统，其特征在于，所述向量获取模块包括：
映射单元，用于将用户画像映射到一个n维向量上，其中，n＝1，2，3…，用户画像的每个特征对应向量中的至少一维。
11.根据权利要求7或8所述的基于区块链的对抗网络生成图片的虚拟IP保护系统，其特征在于，所述模型输入获取模块包括：
第一随机噪声获取单元，用于设定第一种子，利用所述第一种子生成100维伯努利噪声，所述100维伯努利噪声即为所述第一随机噪声。
12.根据权利要求7或8所述的基于区块链的对抗网络生成图片的虚拟IP保护系统，其特征在于，所述计算模块包括：
计算单元，用于对所述第一图像特征向量进行哈希计算，获取第一图像特征向量的哈希值，以及对所述第一用户形象图像进行哈希计算，获取第一用户形象图像的哈希值；
数据拼接单元，用于将所述第一图像特征向量的哈希值与所述第一用户形象图像的哈希值进行拼接，作为用户的虚拟IP的的哈希值；
数据传送单元，用于将用户的虚拟IP的哈希值发送至区块链。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811396192.7A CN109684797B (zh) | 2018-11-21 | 2018-11-21 | 基于区块链的对抗网络生成图片的虚拟ip保护方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811396192.7A CN109684797B (zh) | 2018-11-21 | 2018-11-21 | 基于区块链的对抗网络生成图片的虚拟ip保护方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109684797A true CN109684797A (zh) | 2019-04-26 |
| CN109684797B CN109684797B (zh) | 2020-10-20 |
Family
ID=66184893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811396192.7A Active CN109684797B (zh) | 2018-11-21 | 2018-11-21 | 基于区块链的对抗网络生成图片的虚拟ip保护方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109684797B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110674335A (zh) * | 2019-09-16 | 2020-01-10 | 重庆邮电大学 | 一种基于多生成多对抗的哈希码与图像双向转换方法 |
| CN110781952A (zh) * | 2019-10-23 | 2020-02-11 | 泰康保险集团股份有限公司 | 图像识别风险提示方法、装置、设备及存储介质 |
| CN111126503A (zh) * | 2019-12-27 | 2020-05-08 | 北京同邦卓益科技有限公司 | 一种训练样本的生成方法和装置 |
| CN111259180A (zh) * | 2020-01-14 | 2020-06-09 | 广州视源电子科技股份有限公司 | 图像推送方法、装置、电子设备和存储介质 |
| CN111563275A (zh) * | 2020-07-14 | 2020-08-21 | 中国人民解放军国防科技大学 | 一种基于生成对抗网络的数据脱敏方法 |
| CN111667318A (zh) * | 2020-06-18 | 2020-09-15 | 广州市九重天信息科技有限公司 | 一种基于区块链特征的虚拟货币价格波动溯源方法 |
| CN111861867A (zh) * | 2020-07-02 | 2020-10-30 | 泰康保险集团股份有限公司 | 图像背景虚化方法和装置 |
| CN116932798A (zh) * | 2023-09-15 | 2023-10-24 | 星河视效科技(北京)有限公司 | 一种虚拟代言人生成方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160330027A1 (en) * | 2015-05-05 | 2016-11-10 | ShoCard, Inc. | Identity Management Service Using A Blockchain Providing Certifying Transactions Between Devices |
| CN108090465A (zh) * | 2017-12-29 | 2018-05-29 | 国信优易数据有限公司 | 一种妆容效果处理模型训练方法及妆容效果处理方法 |
| CN108650182A (zh) * | 2018-04-20 | 2018-10-12 | 腾讯科技（深圳）有限公司 | 网络通信方法、系统、装置、设备及存储介质 |
| CN108694668A (zh) * | 2018-06-15 | 2018-10-23 | 腾讯科技（深圳）有限公司 | 数字资产交易方法、装置、介质以及设备 |
-
2018
- 2018-11-21 CN CN201811396192.7A patent/CN109684797B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160330027A1 (en) * | 2015-05-05 | 2016-11-10 | ShoCard, Inc. | Identity Management Service Using A Blockchain Providing Certifying Transactions Between Devices |
| US20170302450A1 (en) * | 2015-05-05 | 2017-10-19 | ShoCard, Inc. | Identity Management Service Using A Blockchain Providing Certifying Transactions Between Devices |
| CN108090465A (zh) * | 2017-12-29 | 2018-05-29 | 国信优易数据有限公司 | 一种妆容效果处理模型训练方法及妆容效果处理方法 |
| CN108650182A (zh) * | 2018-04-20 | 2018-10-12 | 腾讯科技（深圳）有限公司 | 网络通信方法、系统、装置、设备及存储介质 |
| CN108694668A (zh) * | 2018-06-15 | 2018-10-23 | 腾讯科技（深圳）有限公司 | 数字资产交易方法、装置、介质以及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 曹仰杰: "《生成式对抗网络及其计算机视觉应用研究综述》", 《中国图象图形学报》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110674335B (zh) * | 2019-09-16 | 2022-08-23 | 重庆邮电大学 | 一种基于多生成多对抗的哈希码与图像双向转换方法 |
| CN110674335A (zh) * | 2019-09-16 | 2020-01-10 | 重庆邮电大学 | 一种基于多生成多对抗的哈希码与图像双向转换方法 |
| CN110781952A (zh) * | 2019-10-23 | 2020-02-11 | 泰康保险集团股份有限公司 | 图像识别风险提示方法、装置、设备及存储介质 |
| CN111126503A (zh) * | 2019-12-27 | 2020-05-08 | 北京同邦卓益科技有限公司 | 一种训练样本的生成方法和装置 |
| CN111126503B (zh) * | 2019-12-27 | 2023-09-26 | 北京同邦卓益科技有限公司 | 一种训练样本的生成方法和装置 |
| CN111259180A (zh) * | 2020-01-14 | 2020-06-09 | 广州视源电子科技股份有限公司 | 图像推送方法、装置、电子设备和存储介质 |
| CN111259180B (zh) * | 2020-01-14 | 2024-04-19 | 广州视源电子科技股份有限公司 | 图像推送方法、装置、电子设备和存储介质 |
| CN111667318B (zh) * | 2020-06-18 | 2023-03-03 | 广州市九重天信息科技有限公司 | 一种基于区块链特征的虚拟货币价格波动溯源方法 |
| CN111667318A (zh) * | 2020-06-18 | 2020-09-15 | 广州市九重天信息科技有限公司 | 一种基于区块链特征的虚拟货币价格波动溯源方法 |
| CN111861867A (zh) * | 2020-07-02 | 2020-10-30 | 泰康保险集团股份有限公司 | 图像背景虚化方法和装置 |
| CN111861867B (zh) * | 2020-07-02 | 2024-02-13 | 泰康保险集团股份有限公司 | 图像背景虚化方法和装置 |
| CN111563275B (zh) * | 2020-07-14 | 2020-10-20 | 中国人民解放军国防科技大学 | 一种基于生成对抗网络的数据脱敏方法 |
| CN111563275A (zh) * | 2020-07-14 | 2020-08-21 | 中国人民解放军国防科技大学 | 一种基于生成对抗网络的数据脱敏方法 |
| CN116932798A (zh) * | 2023-09-15 | 2023-10-24 | 星河视效科技(北京)有限公司 | 一种虚拟代言人生成方法、装置、设备及存储介质 |
| CN116932798B (zh) * | 2023-09-15 | 2023-11-21 | 星河视效科技(北京)有限公司 | 一种虚拟代言人生成方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109684797B (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109684797A (zh) | 基于区块链的对抗网络生成图片的虚拟ip保护方法及系统 | |
| CN109815928B (zh) | 一种基于对抗学习的人脸图像合成方法和装置 | |
| CN110717977B (zh) | 游戏角色脸部处理的方法、装置、计算机设备及存储介质 | |
| Li et al. | Linestofacephoto: Face photo generation from lines with conditional self-attention generative adversarial networks | |
| CN108269245A (zh) | 一种基于新型生成对抗网络的眼部图像修复方法 | |
| Fan et al. | Stacked latent attention for multimodal reasoning | |
| Zhang et al. | Random reconstructed unpaired image-to-image translation | |
| CN108234591A (zh) | 基于身份验证装置的内容数据推荐方法、装置和存储介质 | |
| CN112862001A (zh) | 一种隐私保护下的去中心化数据建模方法 | |
| WO2022160657A1 (zh) | 高清人脸替换视频生成方法及系统 | |
| Shen et al. | A privacy-preserving social computing framework for health management using federated learning | |
| CN115914505B (zh) | 基于语音驱动数字人模型的视频生成方法及系统 | |
| Song et al. | SP-GAN: Self-growing and pruning generative adversarial networks | |
| Bende et al. | VISMA: A Machine Learning Approach to Image Manipulation | |
| Tan et al. | Style interleaved learning for generalizable person re-identification | |
| CN114743162A (zh) | 一种基于生成对抗网络的跨模态行人重识别方法 | |
| CN116524125A (zh) | 一种元宇宙聚合方法及平台 | |
| Zhuang et al. | Few-shot knowledge transfer for fine-grained cartoon face generation | |
| EP4176409A1 (en) | Full skeletal 3d pose recovery from monocular camera | |
| Akram et al. | US-GAN: on the importance of ultimate skip connection for facial expression synthesis | |
| Thengane et al. | Cycle face aging generative adversarial networks | |
| Li et al. | A novel attribute-based generation architecture for facial image editing | |
| Akram et al. | SARGAN: Spatial attention-based residuals for facial expression manipulation | |
| Chu et al. | BatikGAN: A Generative Adversarial Network for Batik Creation | |
| CN113747136B (zh) | 视频数据处理方法、装置、设备及介质 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240306 Address after: Room 1179, W Zone, 11th Floor, Building 1, No. 158 Shuanglian Road, Qingpu District, Shanghai, 201702 Patentee after: Shanghai Zhongan Information Technology Service Co.,Ltd. Country or region after: China Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: ZHONGAN INFORMATION TECHNOLOGY SERVICE Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240415 Address after: Room 1179, W Zone, 11th Floor, Building 1, No. 158 Shuanglian Road, Qingpu District, Shanghai, 201702 Patentee after: Shanghai Zhongan Information Technology Service Co.,Ltd. Country or region after: China Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: ZHONGAN INFORMATION TECHNOLOGY SERVICE Co.,Ltd. Country or region before: China |