CN112766189B - 深度伪造检测方法、装置、存储介质及电子设备 - Google Patents

深度伪造检测方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN112766189B
CN112766189B CN202110097198.XA CN202110097198A CN112766189B CN 112766189 B CN112766189 B CN 112766189B CN 202110097198 A CN202110097198 A CN 202110097198A CN 112766189 B CN112766189 B CN 112766189B
Authority
CN
China
Prior art keywords
sample image
image
generator
depth
face sample
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
Application number
CN202110097198.XA
Other languages
English (en)
Other versions
CN112766189A (zh
Inventor
郭怡文
王智
王长虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202110097198.XA priority Critical patent/CN112766189B/zh
Publication of CN112766189A publication Critical patent/CN112766189A/zh
Application granted granted Critical
Publication of CN112766189B publication Critical patent/CN112766189B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本公开涉及一种深度伪造检测方法、装置、存储介质及电子设备，以提升深度伪造检测模型的泛化性能，从而提高深度伪造检测的场景适用性。该方法包括：获取待检测的目标图像；将所述目标图像输入深度伪造检测模型中，以确定所述目标图像是否为真实人脸图像；其中所述深度伪造检测模型的训练样本包括真实人脸样本图像和伪造人脸样本图像，所述深度伪造检测模型的训练步骤包括：通过生成器生成所述真实人脸样本图像对应的第一对抗样本图像和所述伪造人脸样本图像对应的第二对抗样本图像；根据所述第一对抗样本图像和所述第二对抗样本图像调整所述深度伪造检测模型的参数。

Description

深度伪造检测方法、装置、存储介质及电子设备
技术领域
本公开涉及图像处理技术领域，具体地，涉及一种深度伪造检测方法、装置、存储介质及电子设备。
背景技术
随着计算机视觉和图形学的快速发展，基于AI(Artificial Intelligence，人工智能)的深度伪造(Deepfake)技术也得到了快速发展，比如已经可以生成越来越逼真的伪造人脸图像或视频。对于深度伪造数据的滥用带来了大量的安全隐患和隐私隐患。因此，针对深度伪造数据的检测任务(Deepfake Detection)也得到越来越多的重视。
相关技术中，通常是基于特定训练数据训练深度伪造检测模型，比如通过带类别标签的伪造人脸图像训练深度伪造检测模型，以实现深度伪造检测。如果应用阶段中待检测的伪造数据是通过与特定训练数据不同的伪造方式生成的，则深度伪造检测模型无法有效检测出该伪造数据。即，相关技术中的深度伪造检测面临着难以泛化以识别不同场景下伪造数据的问题。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种深度伪造检测方法，所述方法包括：
获取待检测的目标图像；
将所述目标图像输入深度伪造检测模型中，以确定所述目标图像是否为真实人脸图像，其中所述深度伪造检测模型的训练样本包括真实人脸样本图像和伪造人脸样本图像，所述深度伪造检测模型的训练步骤包括：
通过生成器生成所述真实人脸样本图像对应的第一对抗样本图像和所述伪造人脸样本图像对应的第二对抗样本图像；
根据所述第一对抗样本图像和所述第二对抗样本图像调整所述深度伪造检测模型的参数。
第二方面，本公开提供一种深度伪造检测装置，所述装置包括：
获取模块，用于获取待检测的目标图像；
检测模块，用于将所述目标图像输入深度伪造检测模型中，以确定所述目标图像是否为真实人脸图像，其中所述深度伪造检测模型的训练样本包括真实人脸样本图像和伪造人脸样本图像，所述深度伪造检测模型是通过如下模块训练得到的：
生成模块，用于通过生成器生成所述真实人脸样本图像对应的第一对抗样本图像和所述伪造人脸样本图像对应的第二对抗样本图像；
调整模块，用于根据所述第一对抗样本图像和所述第二对抗样本图像调整所述深度伪造检测模型的参数。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面中所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面中所述方法的步骤。
通过上述技术方案，将对抗训练引入深度伪造检测模型的训练阶段，通过真实人脸样本图像对应的第一对抗样本图像和伪造人脸样本图像对应的第二对抗样本图像训练深度伪造检测模型。相较于仅通过特定训练数据训练深度伪造检测模型的方式，通过对抗训练可以使深度伪造模型学习更多的概括性图像特征，因此可以提升深度伪造检测模型的泛化性能，使得深度伪造检测模型可以对与训练数据的图像质量不同的数据或者通过与训练数据不同的伪造方式生成的数据进行有效检测，解决了相关技术中深度伪造检测难以泛化以检测不同场景下伪造数据的问题。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据本公开一示例性实施例示出的一种深度伪造检测方法的流程图；
图2是根据本公开一示例性实施例示出的一种深度伪造检测方法中生成对抗样本图像的过程示意图；
图3是根据本公开一示例性实施例示出的一种深度伪造检测方法中深度伪造检测模型的训练过程示意图；
图4是根据本公开另一示例性实施例示出的一种深度伪造检测方法中生成对抗样本图像的过程示意图；
图5是根据本公开一示例性实施例示出的一种深度伪造检测装置的框图；
图6是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。另外需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
正如背景技术所言，相关技术通常是基于特定训练数据训练深度伪造检测模型，比如通过带类别标签的伪造人脸图像训练深度伪造检测模型，以实现深度伪造检测。如果应用阶段中待检测的伪造数据是通过与特定训练数据不同的伪造方式生成的，则深度伪造检测模型无法有效检测出该伪造数据。并且，与众多图像处理模型类似，相关技术中的深度伪造检测模型对于与训练数据的图像质量不同的待测试数据的检测效果也不佳。即，相关技术中的深度伪造检测面临着难以泛化以识别不同场景下伪造数据的问题。
有鉴于此，本公开提供一种深度伪造检测方法，以解决相关技术中深度伪造检测难以泛化以检测不同场景下伪造数据的问题，使得深度伪造检测模型可以对与训练数据的图像质量不同的数据或者通过与训练数据不同的伪造方式生成的数据进行有效检测。
图1是根据本公开一示例性实施例示出的一种深度伪造检测方法的流程图。参照图1，该深度伪造检测方法包括以下步骤：
步骤101，获取待检测的目标图像；
步骤102，将目标图像输入深度伪造检测模型中，以确定目标图像是否为真实人脸图像，其中深度伪造检测模型的训练样本包括真实人脸样本图像和伪造人脸样本图像。
该深度伪造检测模型的训练步骤包括：通过生成器生成真实人脸样本图像对应的第一对抗样本图像和伪造人脸样本图像对应的第二对抗样本图像；根据第一对抗样本图像和第二对抗样本图像调整深度伪造检测模型的参数。
通过上述方式，将对抗训练引入深度伪造检测模型的训练阶段，通过真实人脸样本图像对应的第一对抗样本图像和伪造人脸样本图像对应的第二对抗样本图像训练深度伪造检测模型。相较于仅通过特定训练数据训练深度伪造检测模型的方式，通过对抗训练可以使深度伪造模型学习更多的概括性图像特征，因此可以提升深度伪造检测模型的泛化性能，使得深度伪造检测模型可以对与训练数据的图像质量不同的数据或者通过与训练数据不同的伪造方式生成的数据进行有效检测，解决了相关技术中深度伪造检测难以泛化以检测不同场景下伪造数据的问题。
为了使得本领域技术人员更加理解本公开实施例提供的深度伪造检测方法，下面对上述各步骤进行详细举例说明。
首先应当理解的是，对抗样本是指在数据集中通过故意添加细微的干扰所形成的输入样本，导致模型以高置信度给出一个错误的输出。通过模型产生的对抗样本进行对抗训练能够提高模型对于对抗样本的抗干扰能力。在本公开实施例中，通过对抗样本图像对深度伪造检测模型进行对抗训练，可以使深度伪造检测模型学习更多的概括性图像特征，从而不仅可以提升深度伪造检测模型对于对抗样本的抗干扰能力，还可以提升深度伪造检测模型的泛化性能，使得深度伪造检测模型可以对与训练数据的图像质量不同的数据或者通过与训练数据不同的伪造方式生成的数据进行有效检测，可以解决相关技术中深度伪造检测难以泛化以检测不同场景下伪造数据的问题。
示例地，待检测的目标图像是可以是电子设备的图像采集装置(比如摄像头等)采集到的人脸图像，或者可以是用户输入电子设备的图像，又或者还可以是用户输入电子设备的视频的帧图像，等等，本公开实施例对于获取待检测的目标图像的方式不作限定。
在获取到待检测的目标图像之后，可以将该目标图像输入深度伪造检测模型中，以通过该深度伪造检测模型确定目标图像是否为真实人脸图像。其中，深度伪造检测模型的训练样本包括真实人脸样本图像和伪造人脸样本图像。其中，真实人脸样本图像可以是通过对真实人脸进行图像采集而得到的图像，伪造人脸样本图像可以是通过各种深度伪造方式生成的人脸图像。
在本公开实施例中，为了解决相关技术中深度伪造检测难以泛化以检测不同场景下伪造数据的问题，使得深度伪造检测模型可以对与训练数据的图像质量不同的数据或者通过与训练数据不同的伪造方式生成的数据进行有效检测，将对抗训练引入深度伪造检测模型的训练过程中。具体的，可以先通过生成器生成真实人脸样本图像对应的第一对抗样本图像和伪造人脸样本图像对应的第二对抗样本图像，然后根据第一对抗样本图像和第二对抗样本图像调整深度伪造检测模型的参数。
在可能的方式中，深度伪造检测模型可以包括第一生成器和第二生成器。相应地，通过生成器生成真实人脸样本图像对应的第一对抗样本图像和伪造人脸样本图像对应的第二对抗样本图像可以是：通过第一生成器生成真实人脸样本图像对应的第一对抗样本图像，通过第二生成器生成伪造人脸样本图像对应的第二对抗样本图像。
在本公开实施例中，考虑到真实图像和伪造图像的图像分布是不同的，通过两个生成器生成对应的对抗样本图像，即可以通过第一生成器生成第一对抗样本图像，并通过第二生成器生成第二对抗样本图像。在此种方式中，两个生成器各自负责一类图像的对抗样本的生成，相较于通过一个生成器生成上述两类图像(真实图像和伪造图像)的对抗样本的方式，可以有效控制训练过程的计算复杂度，提高深度伪造检测模型的训练效率。
在可能的方式中，通过生成器生成真实人脸样本图像对应的第一对抗样本图像和伪造人脸样本图像对应的第二对抗样本图像可以是：通过生成器确定真实人脸样本图像对应的高斯模糊图像，以得到第一对抗样本图像，并通过生成器确定伪造人脸样本图像对应的高斯模糊图像，以得到第二对抗样本图像。
示例地，高斯模糊通常用来减少图像噪声以及降低细节层次。在本公开实施例中，通过将样本图像对应的高斯模糊图像作为该样本图像的对抗样本图像，可以弱化该样本图像的特定图像特征，从而将高斯模糊图像作为对抗样本图像进行模型训练，可以进一步提升深度伪造检测模型的泛化性能，使得深度伪造检测模型可以对与训练数据的图像质量不同的数据或者通过与训练数据不同的伪造方式生成的数据进行更有效的检测。
在可能的方式中，通过生成器确定真实人脸样本图像对应的高斯模糊图像，并通过生成器确定所述伪造人脸样本图像对应的高斯模糊图像可以是：将真实人脸样本图像或伪造人脸样本图像作为目标样本图像，通过生成器生成目标样本图像对应的标准差图像，并根据该标准差图像与目标样本图像，得到目标样本图像对应的高斯模糊图像，其中标准差图像中像素点的像素值表征的是用于确定目标样本图像中对应位置像素点的高斯模糊核的标准差。
示例地，深度伪造检测模型包括两个生成器，则可以通过第一生成器生成真实人脸样本图像对应的第一标准差图像，并根据该第一标准差图像和真实人脸样本图像，得到真实人脸样本图像对应的高斯模糊图像，以得到第一对抗样本图像。同时，可以通过第二生成器生成伪造人脸样本图像对应的第二标准差图像，并根据该第二标准差图像和伪造人脸样本图像，得到伪造人脸样本图像对应的高斯模糊图像，以得到第二对抗样本图像。
示例地，标准差图像中像素点的像素值表征的是用于确定真实人脸样本图像或伪造人脸样本图像中对应位置像素点的高斯模糊核的标准差。在训练阶段，可以先随机设置生成器的相关参数，然后将真实人脸样本图像(或伪造人脸样本图像)输入生成器，以得到初始标准差图像，接着再根据该初始标准差图像和真实人脸样本图像(或伪造人脸样本图像)生成对应的对抗样本图像，最后根据生成的对抗样本图像调整生成器的参数，以使生成器生成更加准确的标准差图像用于后续的对抗训练过程。
示例地，根据标准差图像与目标样本图像，得到目标样本图像对应的高斯模糊图像可以是：根据标准差图像和预设模糊半径，确定目标样本图像中每个像素点对应的高斯模糊核，然后针对目标样本图像中的每一像素点，根据高斯模糊核和该像素点周围、位于预设模糊半径范围内的目标像素点，确定该像素点对应的高斯模糊值，以得到目标样本图像对应的高斯模糊图像。
其中，预设模糊半径表征的是根据像素点周围的哪些像素点进行高斯模糊计算。比如，预设模糊半径设定为3，则取像素点和该像素点周围的8个像素点进行高斯模糊计算，即根据包括像素点在内的9个像素点进行高斯模糊计算。
在可能的方式中，可以针对目标样本图像中的每一像素点，执行以下处理：先在标准差图像中确定该像素点对应的标准差，然后根据预设高斯半径建立矩阵，并根据矩阵中每一元素的位置坐标值和像素点对应的标准差，确定该像素点对应的目标高斯模糊核，其中矩阵的行数和列数为预设高斯半径的数值，该矩阵的中心点元素为坐标原点。
例如，预设模糊半径为3，针对某一像素点，可以得到3乘3的矩阵，且该矩阵中每一元素的位置坐标值如下：
(-1，1) (0，1) (1，1)
(-1，0) (0，0) (1，0)
(-1，-1) (0，-1) (1，-1)
其中，该矩阵的中心点元素对应某一像素点，中心点元素周围的8个元素分别对应该像素点周围的8个像素点。参照图2，针对原始图像中的像素点xi,j(i和j为正整数，i小于原始图像的宽度值，j小于原始图像的长度值)，可以在标准差图像中确定对应的标准差然后，可以根据预设高斯半径建立数值为空的3乘3矩阵，该矩阵中每一元素的位置坐标可以参照上述3乘3矩阵的位置坐标。接着，可以按照如下公式(1)，根据该矩阵中每一元素的位置坐标值和该元素对应的像素点在标准差图像中对应的标准差，计算矩阵中每一元素的数值，以得到图2所示的矩阵形式的高斯模糊核。
其中，Gi,j(u,v)表示矩阵中位置坐标为(u,v)的元素的数值。
在得到目标样本图像中每一像素点对应的高斯模糊核之后，可以针对目标样本图像中的每一像素点，计算高斯模糊核与该像素点周围、位于预设高斯半径范围内的目标像素点的像素值的内积，以得到该像素点对应的高斯模糊值。例如，可以按照如下公式(2)进行内积计算，以得到该像素点对应的高斯模糊值。
其中，表示目标样本图像中像素点xi,j对应的高斯模糊值，Gi,j表示像素点xi,j对应的高斯模糊核，k表示预设模糊半径，γ(xi,j,k)表示像素点xi,j周围、位于预设高斯半径范围内的目标像素点。
在可能的方式中，高斯模糊核为包括多个高斯模糊核的矩阵，且该矩阵的行数和列数为预设高斯半径的数值。相应地，计算高斯模糊核与像素点周围、位于预设高斯半径范围内的目标像素点的像素值的内积可以是：将目标高斯模糊核对应的矩阵中的高斯模糊核与位于预设高斯半径范围内的目标像素点中对应位置的像素点的像素值相乘，以得到多个乘积结果，并将该多个乘积结果求和。
例如，参照图2所示的矩阵形式的高斯模糊核，可以确定目标样本图像中的像素点xi,j周围的8个像素点，得到包括该像素点xi,j在内的9个像素点，且该9个像素点以像素点xi,j为中心点进行3乘3的排列。因此，可以将3乘3排列的9个像素点的像素值与3乘3矩阵形式的目标高斯模糊核中对应位置的元素的数值相乘，以得到多个乘积结果，然后将该多个乘积结果求和，以得到像素点xi,j对应的高斯模糊值由此，可以得到目标样本图像中每一像素点对应的高斯模糊值，从而得到目标样本图像对应的高斯模糊图像，即可以得到真实人脸样本图像对应的第一对抗样本图像以及伪造人脸样本图像对应的第二对抗样本图像。
通过上述方式，可以生成真实人脸样本图像或伪造人脸样本图像分别对应的标准差图像，从而根据该标准差图像进行像素级的高斯模糊。由于高斯模糊可以弱化真实人脸样本图像或伪造人脸样本图像中的特定图像特征，因此将该高斯模糊图像作为对抗样本图像进行对抗训练，可以进一步提升深度伪造检测模型的泛化性能，使得深度伪造检测模型可以对与训练数据的图像质量不同的数据或者通过与训练数据不同的伪造方式生成的数据进行更有效的检测。
在得到第一对抗样本图像和第二对抗样本图像之后，可以根据第一对抗样本图像和第二对抗样本图像调整深度伪造检测模型的参数，以实现对深度伪造检测模型的对抗训练。
在可能的方式中，深度伪造检测模型可以包括判别器，相应地，根据第一对抗样本图像和第二对抗样本图像调整深度伪造检测模型的参数可以是：根据判别器对第一对抗样本图像的判别结果与真实人脸样本图像的实际判别结果、以及判别器对第二对抗样本图像的判别结果与伪造人脸样本图像的实际判别结果，计算损失函数，然后根据损失函数的计算结果调整判别器的参数，并将损失函数的计算结果进行反向传播，以调整生成器的参数。
应当理解的是，损失函数的计算可以是根据判别器对第一对抗样本图像的判别结果与该第一对抗样本图像的实际判别结果、以及判别器对第二对抗样本图像的判别结果与第二对抗样本图像的实际判别结果而得到的。在本公开实施例中，对抗样本图像可以是通过对图像添加细微的干扰所形成的，比如通过对图像进行高斯模糊而得到，并未改变图像的实质图像内容，因此对抗样本图像的实际判别结果可以是该对抗样本图像对应的原始样本图像的实际判别结果。即，可以根据判别器对第一对抗样本图像的判别结果与真实人脸样本图像的实际判别结果、以及判别器对第二对抗样本图像的判别结果与伪造人脸样本图像的实际判别结果，计算损失函数。
其中，真实人脸样本图像和伪造人脸样本图像均可以具有预先标注的类别标签，因此真实人脸样本图像和伪造人脸样本图像的实际判别结果可以根据该类别标签确定。
例如，参照图3，深度伪造检测模型包括第一生成器Gr、第二生成器Gf和判别器D。其中，第一生成器Gr的输入包括真实人脸样本图像，输出包括真实人脸样本图像对应的第一标准差图像，第二生成器Gf的输入包括伪造人脸样本图像，输出包括伪造人脸样本图像对应的第二标准差图像。根据真实人脸样本图像和第一标准差图像可以得到真实人脸样本图像对应的高斯模糊图像，即可以得到第一对抗样本图像。根据伪造人脸样本图像和第二标准差图像可以得到伪造人脸样本图像对应的高斯模糊图像，即可以得到第二对抗样本图像。
判别器D的输入包括第一对抗样本图像和第二对抗样本图像，输出包括对第一对抗样本图像的判别结果以及对第二对抗样本图像的判别结果，从而可以根据判别器对第一对抗样本图像的判别结果与真实人脸样本图像的实际判别结果、以及判别器对第二对抗样本图像的判别结果与伪造人脸样本图像的实际判别结果，计算损失函数，从而根据损失函数的计算结果调整判别器和生成器的参数，以实现对深度伪造检测模型的对抗训练。
在可能的方式中，还可以将真实人脸样本图像和伪造人脸样本图像也输入判别器，从而可以通过真实人脸样本图像、真实样本图像对应的第一对抗样本图像、伪造人脸样本图像、以及伪造人脸样本图像对应的第二对抗样本图像实现对深度伪造检测模型的对抗训练。在此种情况下，可以按照如下公式计算损失函数：
L＝∑L(x1,y1)+∑L(G(x1),y1)+∑L(x2,y2)+∑L(G(x2),y2) (3)
其中，L表示损失函数的计算结果，x1表示判别器对真实人脸样本图像的判别结果，y1表示真实人脸样本图像的实际判别结果，G(x1)表示判别器对第一对抗样本图像的判别结果，x2表示判别器对伪造人脸样本图像的判别结果，y2表示伪造人脸样本图像的实际判别结果，G(x2)表示根据判别器对第二对抗样本图像的判别结果。
应当理解的是，公式(3)中L(x1,y1)可以表示根据判别器对真实人脸样本图像的判别结果和该真实人脸样本图像的实际判别结果而得到的损失函数计算结果，L(G(x1),y1)可以表示根据判别器对第一对抗样本图像的判别结果和该真实人脸样本图像的实际判别结果而得到的损失函数计算结果，L(x2,y2)可以表示根据判别器对伪造人脸样本图像的判别结果和该伪造人脸样本图像的实际判别结果而得到的损失函数计算结果，L(G(x2),y2)可以表示根据判别器对第二对抗样本图像的判别结果和该伪造人脸样本图像的实际判别结果而得到的损失函数计算结果。
在可能的方式中，根据损失函数的计算结果调整判别器的参数，并将损失函数的计算结果进行反向传播，以调整生成器的参数可以是：调整判别器的参数，以使损失函数的计算结果最小，并调整生成器的参数，以使损失函数的计算结果最大。
示例地，在调整生成器参数的过程中，若损失函数的计算结果较小，则说明判别器对于第一对抗样本图像的判别结果与真实人脸样本图像的实际判别结果相差较大，或者判别器对于第二对抗样本图像的判别结果与伪造人脸样本图像的实际判别结果相差较大，但根据上文的说明可知，该第一对抗样本图像的判别结果与真实人脸样本图像的实际判别结果、以及该第二对抗样本图像的判别结果与伪造人脸样本图像的实际判别结果应当是相同的，因此可以调整判别器参数，以使损失函数的计算结果最小，提高判别器的判别准确性，从而提高深度伪造检测模型对与训练数据的图像质量不同的数据或者通过与训练数据不同的伪造方式生成的数据的检测准确性。
对于生成器，如果生成器可以合成更真实的伪造人脸图像，那么在对抗训练过程中深度伪造检测模型就可以学习到更多关于伪造人脸图像的信息，从而提升深度伪造检测模型的泛化性能，解决相关技术中深度伪造检测难以泛化以检测不同场景下伪造数据的问题。因此在调整生成器参数的过程中，期望的是损失函数最大。
在通过上述方式训练得到深度伪造检测模型之后，可以将待检测的目标图像输入该深度伪造检测模型，以确定目标图像是否为真实人脸图像。其中，由于将对抗训练引入深度伪造检测模型的训练阶段，因此相较于仅通过特定训练数据训练深度伪造检测模型的方式，可以提升深度伪造检测模型的泛化性能，使得深度伪造检测模型可以对与训练数据的图像质量不同的数据或者通过与训练数据不同的伪造方式生成的数据进行更有效的检测，可以解决相关技术中深度伪造检测难以泛化以检测不同场景下伪造数据的问题。
例如，通过同样的训练样本(包括真实人脸样本图像和伪造人脸样本图像)对深度伪造检测模型进行不同的对抗训练，并将同样的伪造人脸图像输入对抗训练后的深度伪造检测模型中进行测试，可以得到如下测试结果：
对抗训练类型 A B C D E F
AUC(％) 88.08 87.47 89.88 90.04 90.06 90.09
ACC(％) 80.20 80.11 83.14 83.52 83.85 83.92
其中，AUC表示ROC曲线下的面积，是衡量模型优劣的一种性能指标，ACC表示用于评判模型准确性的参数。其中，AUC和ACC的计算方式均与相关技术中类似，这里不再赘述。
A类型表示相关技术中的基于梯度的附加对抗训练，B类型表示相关技术中的基于梯度的空间变换对抗训练，C类型表示基于梯度的模糊对抗训练(即将相关技术中基于梯度的训练方式与本公开提出的将高斯模糊图像作为对抗样本进行对抗训练的方式相结合的训练方式)，D类型表示基于一个生成器的模糊对抗训练，E类型表示基于两个生成器的模糊对抗训练，F类型表示基于梯度和两个生成器的模糊对抗训练(即将相关技术中基于梯度的训练方式与本公开提出的基于两个生成器的模糊对抗训练方式相结合的训练方式)。其中，F类型的对抗训练过程中生成对抗样本图形的过程示意可以参照图4。
如图4所示，将真实人脸样本图像或伪造人脸样本图像作为目标样本图像x，输入对应的生成器(第一生成器Gr或第二生成器Gf)，然后根据生成器输出的标准差图像和最初输入的目标样本图像得到对应的高斯模糊图像xadv1。再通过基于梯度的方式(比如梯度上升或梯度下降)更新标准差图像，最后根据更新后的标准差图像和前述生成的高斯模糊图像生成最终的高斯模糊图像xadv2，以得到目标样本图像对应的对抗样本图像，从而通过该对抗样本图像实现对深度伪造检测模型的对抗训练。
基于同一发明构思，本公开还提供一种深度伪造检测装置，该装置可以通过软件、硬件或两者结合的方式成为电子设备的部分或全部。参照图5，该深度伪造检测装置500可以包括：
获取模块501，用于获取待检测的目标图像；
检测模块502，用于将所述目标图像输入深度伪造检测模型中，以确定所述目标图像是否为真实人脸图像，其中所述深度伪造检测模型的训练样本包括真实人脸样本图像和伪造人脸样本图像，所述深度伪造检测模型是通过如下模块训练得到的：
生成模块5021，用于通过生成器生成所述真实人脸样本图像对应的第一对抗样本图像和所述伪造人脸样本图像对应的第二对抗样本图像；
调整模块5022，用于根据所述第一对抗样本图像和所述第二对抗样本图像调整所述深度伪造检测模型的参数。
可选地，所述深度伪造检测模型包括第一生成器和第二生成器，所述生成模块5021用于：
通过所述第一生成器生成所述真实人脸样本图像对应的所述第一对抗样本图像，通过所述第二生成器生成所述伪造人脸样本图像对应的所述第二对抗样本图像。
可选地，所述生成模块5021用于：
通过所述生成器确定所述真实人脸样本图像对应的高斯模糊图像，以得到所述第一对抗样本图像，并通过所述生成器确定所述伪造人脸样本图像对应的高斯模糊图像，以得到所述第二对抗样本图像。
可选地，生成模块5021用于：
将所述真实人脸样本图像或所述伪造人脸样本图像作为目标样本图像，通过所述生成器生成所述目标样本图像对应的标准差图像，并根据所述标准差图像与所述目标样本图像，得到所述目标样本图像对应的高斯模糊图像，其中所述标准差图像中像素点的像素值表征的是用于确定所述目标样本图像中对应位置像素点的高斯模糊核的标准差。
可选地，所述深度伪造检测模型还包括判别器，所述调整模块5022用于：根据所述判别器对所述第一对抗样本图像的判别结果与所述真实人脸样本图像的实际判别结果、以及所述判别器对所述第二对抗样本图像的判别结果与所述伪造人脸样本图像的实际判别结果，计算损失函数；
根据所述损失函数的计算结果调整所述判别器的参数，并将所述损失函数的计算结果进行反向传播，以调整所述生成器的参数。
可选地，所述调整模块5022用于：
按照如下公式计算损失函数：
L＝∑L(x1,y1)+∑L(G(x1),y1)+∑L(x2,y2)+∑L(G(x2),y2)
其中，L表示损失函数的计算结果，x1表示所述判别器对所述真实人脸样本图像的判别结果，y1表示所述真实人脸样本图像的实际判别结果，G(x1)表示所述判别器对所述第一对抗样本图像的判别结果，x2表示所述判别器对所述伪造人脸样本图像的判别结果，y2表示所述伪造人脸样本图像的实际判别结果，G(x2)表示根据所述判别器对所述第二对抗样本图像的判别结果。
可选地，所述调整模块5022用于：
调整所述判别器的参数，以使所述损失函数的计算结果最小；
调整所述生成器的参数，以使所述损失函数的计算结果最大。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于同一发明构思，本公开实施例还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述任一深度伪造检测方法的步骤。
基于同一发明构思，本公开实施例还提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述任一深度伪造检测方法的步骤。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，可以利用诸如HTTP(HyperText Transfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待检测的目标图像；将所述目标图像输入深度伪造检测模型中，以确定所述目标图像是否为真实人脸图像，其中所述深度伪造检测模型的训练样本包括真实人脸样本图像和伪造人脸样本图像，所述深度伪造检测模型的训练步骤包括：通过生成器生成所述真实人脸样本图像对应的第一对抗样本图像和所述伪造人脸样本图像对应的第二对抗样本图像；根据所述第一对抗样本图像和所述第二对抗样本图像调整所述深度伪造检测模型的参数。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种深度伪造检测方法，所述方法包括：
获取待检测的目标图像；
将所述目标图像输入深度伪造检测模型中，以确定所述目标图像是否为真实人脸图像，其中所述深度伪造检测模型的训练样本包括真实人脸样本图像和伪造人脸样本图像，所述深度伪造检测模型的训练步骤包括：
通过生成器生成所述真实人脸样本图像对应的第一对抗样本图像和所述伪造人脸样本图像对应的第二对抗样本图像；
根据所述第一对抗样本图像和所述第二对抗样本图像调整所述深度伪造检测模型的参数。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述深度伪造检测模型包括第一生成器和第二生成器，所述通过生成器生成所述真实人脸样本图像对应的第一对抗样本图像和所述伪造人脸样本图像对应的第二对抗样本图像，包括：
通过所述第一生成器生成所述真实人脸样本图像对应的所述第一对抗样本图像，通过所述第二生成器生成所述伪造人脸样本图像对应的所述第二对抗样本图像。
根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述通过生成器生成所述真实人脸样本图像对应的第一对抗样本图像和所述伪造人脸样本图像对应的第二对抗样本图像，包括：
通过所述生成器确定所述真实人脸样本图像对应的高斯模糊图像，以得到所述第一对抗样本图像，并通过所述生成器确定所述伪造人脸样本图像对应的高斯模糊图像，以得到所述第二对抗样本图像。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述通过所述生成器确定所述真实人脸样本图像对应的高斯模糊图像，并通过所述生成器确定所述伪造人脸样本图像对应的高斯模糊图像，包括：
将所述真实人脸样本图像或所述伪造人脸样本图像作为目标样本图像，通过所述生成器生成所述目标样本图像对应的标准差图像，并根据所述标准差图像与所述目标样本图像，得到所述目标样本图像对应的高斯模糊图像，其中所述标准差图像中像素点的像素值表征的是用于确定所述目标样本图像中对应位置像素点的高斯模糊核的标准差。
根据本公开的一个或多个实施例，示例5提供了示例1-4中的任一方法，所述深度伪造检测模型还包括判别器，所述根据所述第一对抗样本图像和所述第二对抗样本图像调整所述深度伪造检测模型的参数，包括：
根据所述判别器对所述第一对抗样本图像的判别结果与所述真实人脸样本图像的实际判别结果、以及所述判别器对所述第二对抗样本图像的判别结果与所述伪造人脸样本图像的实际判别结果，计算损失函数；
根据所述损失函数的计算结果调整所述判别器的参数，并将所述损失函数的计算结果进行反向传播，以调整所述生成器的参数。
根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述计算损失函数包括：
按照如下公式计算损失函数：
L＝∑L(x1,y1)+∑L(G(x1),y1)+∑L(x2,y2)+∑L(G(x2),y2)
其中，L表示损失函数的计算结果，x1表示所述判别器对所述真实人脸样本图像的判别结果，y1表示所述真实人脸样本图像的实际判别结果，G(x1)表示所述判别器对所述第一对抗样本图像的判别结果，x2表示所述判别器对所述伪造人脸样本图像的判别结果，y2表示所述伪造人脸样本图像的实际判别结果，G(x2)表示根据所述判别器对所述第二对抗样本图像的判别结果。
根据本公开的一个或多个实施例，示例7提供了示例5的方法，所述根据所述损失函数的计算结果调整所述判别器的参数，并将所述损失函数的计算结果进行反向传播，以调整所述生成器的参数，包括：
调整所述判别器的参数，以使所述损失函数的计算结果最小；
调整所述生成器的参数，以使所述损失函数的计算结果最大。
根据本公开的一个或多个实施例，示例8提供了一种深度伪造检测装置，所述装置包括：
获取模块，用于获取待检测的目标图像；
检测模块，用于将所述目标图像输入深度伪造检测模型中，以确定所述目标图像是否为真实人脸图像，其中所述深度伪造检测模型的训练样本包括真实人脸样本图像和伪造人脸样本图像，所述深度伪造检测模型是通过如下模块训练得到的：
生成模块，用于通过生成器生成所述真实人脸样本图像对应的第一对抗样本图像和所述伪造人脸样本图像对应的第二对抗样本图像；
调整模块，用于根据所述第一对抗样本图像和所述第二对抗样本图像调整所述深度伪造检测模型的参数。
根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述深度伪造检测模型包括第一生成器和第二生成器，所述生成模块用于：
通过所述第一生成器生成所述真实人脸样本图像对应的所述第一对抗样本图像，通过所述第二生成器生成所述伪造人脸样本图像对应的所述第二对抗样本图像。
根据本公开的一个或多个实施例，示例10提供了示例8的装置，所述生成模块用于：
通过所述生成器确定所述真实人脸样本图像对应的高斯模糊图像，以得到所述第一对抗样本图像，并通过所述生成器确定所述伪造人脸样本图像对应的高斯模糊图像，以得到所述第二对抗样本图像。
根据本公开的一个或多个实施例，示例11提供了示例10的装置，所述生成模块用于：
将所述真实人脸样本图像或所述伪造人脸样本图像作为目标样本图像，通过所述生成器生成所述目标样本图像对应的标准差图像，并根据所述标准差图像与所述目标样本图像，得到所述目标样本图像对应的高斯模糊图像，其中所述标准差图像中像素点的像素值表征的是用于确定所述目标样本图像中对应位置像素点的高斯模糊核的标准差。
根据本公开的一个或多个实施例，示例12提供了示例8-11中的任一装置，所述深度伪造检测模型还包括判别器，所述调整模块用于：
根据所述判别器对所述第一对抗样本图像的判别结果与所述真实人脸样本图像的实际判别结果、以及所述判别器对所述第二对抗样本图像的判别结果与所述伪造人脸样本图像的实际判别结果，计算损失函数；
根据所述损失函数的计算结果调整所述判别器的参数，并将所述损失函数的计算结果进行反向传播，以调整所述生成器的参数。
根据本公开的一个或多个实施例，示例13提供了示例12的装置，所述调整模块用于：按照如下公式计算损失函数：
L＝∑L(x1,y1)+∑L(G(x1),y1)+∑L(x2,y2)+∑L(G(x2),y2)
其中，L表示损失函数的计算结果，x1表示所述判别器对所述真实人脸样本图像的判别结果，y1表示所述真实人脸样本图像的实际判别结果，G(x1)表示所述判别器对所述第一对抗样本图像的判别结果，x2表示所述判别器对所述伪造人脸样本图像的判别结果，y2表示所述伪造人脸样本图像的实际判别结果，G(x2)表示根据所述判别器对所述第二对抗样本图像的判别结果。
根据本公开的一个或多个实施例，示例14提供了示例12的装置，所述调整模块用于：
调整所述判别器的参数，以使所述损失函数的计算结果最小；
调整所述生成器的参数，以使所述损失函数的计算结果最大。
根据本公开的一个或多个实施例，示例15提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-7任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例16提供了一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-7任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (9)

1.一种深度伪造检测方法，其特征在于，所述方法包括：
获取待检测的目标图像；
将所述目标图像输入深度伪造检测模型中，以确定所述目标图像是否为真实人脸图像，其中所述深度伪造检测模型的训练样本包括真实人脸样本图像和伪造人脸样本图像，所述深度伪造检测模型的训练步骤包括：
通过生成器生成所述真实人脸样本图像对应的第一对抗样本图像和所述伪造人脸样本图像对应的第二对抗样本图像；
根据所述第一对抗样本图像和所述第二对抗样本图像调整所述深度伪造检测模型的参数；
所述通过生成器生成所述真实人脸样本图像对应的第一对抗样本图像和所述伪造人脸样本图像对应的第二对抗样本图像，包括：
通过所述生成器确定所述真实人脸样本图像对应的高斯模糊图像，以得到所述第一对抗样本图像，并通过所述生成器确定所述伪造人脸样本图像对应的高斯模糊图像，以得到所述第二对抗样本图像。
2.根据权利要求1所述的方法，其特征在于，所述深度伪造检测模型包括第一生成器和第二生成器，所述通过生成器生成所述真实人脸样本图像对应的第一对抗样本图像和所述伪造人脸样本图像对应的第二对抗样本图像，包括：
通过所述第一生成器生成所述真实人脸样本图像对应的所述第一对抗样本图像，通过所述第二生成器生成所述伪造人脸样本图像对应的所述第二对抗样本图像。
3.根据权利要求1所述的方法，其特征在于，所述通过所述生成器确定所述真实人脸样本图像对应的高斯模糊图像，并通过所述生成器确定所述伪造人脸样本图像对应的高斯模糊图像，包括：
将所述真实人脸样本图像或所述伪造人脸样本图像作为目标样本图像，通过所述生成器生成所述目标样本图像对应的标准差图像，并根据所述标准差图像与所述目标样本图像，得到所述目标样本图像对应的高斯模糊图像，其中所述标准差图像中像素点的像素值表征的是用于确定所述目标样本图像中对应位置像素点的高斯模糊核的标准差。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述深度伪造检测模型还包括判别器，所述根据所述第一对抗样本图像和所述第二对抗样本图像调整所述深度伪造检测模型的参数，包括：
根据所述判别器对所述第一对抗样本图像的判别结果与所述真实人脸样本图像的实际判别结果、以及所述判别器对所述第二对抗样本图像的判别结果与所述伪造人脸样本图像的实际判别结果，计算损失函数；
根据所述损失函数的计算结果调整所述判别器的参数，并将所述损失函数的计算结果进行反向传播，以调整所述生成器的参数。
5.根据权利要求4所述的方法，其特征在于，所述计算损失函数包括：
按照如下公式计算损失函数：
其中，表示损失函数的计算结果，/>表示所述判别器对所述真实人脸样本图像的判别结果，/>表示所述真实人脸样本图像的实际判别结果，/>表示所述判别器对所述第一对抗样本图像的判别结果，/>表示所述判别器对所述伪造人脸样本图像的判别结果，/>表示所述伪造人脸样本图像的实际判别结果，/>表示根据所述判别器对所述第二对抗样本图像的判别结果。
6.根据权利要求4所述的方法，其特征在于，所述根据所述损失函数的计算结果调整所述判别器的参数，并将所述损失函数的计算结果进行反向传播，以调整所述生成器的参数，包括：
调整所述判别器的参数，以使所述损失函数的计算结果最小；
调整所述生成器的参数，以使所述损失函数的计算结果最大。
7.一种深度伪造检测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测的目标图像；
检测模块，用于将所述目标图像输入深度伪造检测模型中，以确定所述目标图像是否为真实人脸图像，其中所述深度伪造检测模型的训练样本包括真实人脸样本图像和伪造人脸样本图像，所述深度伪造检测模型是通过如下模块训练得到的：
生成模块，用于通过生成器生成所述真实人脸样本图像对应的第一对抗样本图像和所述伪造人脸样本图像对应的第二对抗样本图像；
调整模块，用于根据所述第一对抗样本图像和所述第二对抗样本图像调整所述深度伪造检测模型的参数；
所述生成模块用于：
通过所述生成器确定所述真实人脸样本图像对应的高斯模糊图像，以得到所述第一对抗样本图像，并通过所述生成器确定所述伪造人脸样本图像对应的高斯模糊图像，以得到所述第二对抗样本图像。
8.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-6中任一项所述方法的步骤。
9.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-6中任一项所述方法的步骤。
CN202110097198.XA 2021-01-25 2021-01-25 深度伪造检测方法、装置、存储介质及电子设备 Active CN112766189B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110097198.XA CN112766189B (zh) 2021-01-25 2021-01-25 深度伪造检测方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110097198.XA CN112766189B (zh) 2021-01-25 2021-01-25 深度伪造检测方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN112766189A CN112766189A (zh) 2021-05-07
CN112766189B true CN112766189B (zh) 2023-08-08

Family

ID=75707203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110097198.XA Active CN112766189B (zh) 2021-01-25 2021-01-25 深度伪造检测方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN112766189B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221786A (zh) * 2021-05-21 2021-08-06 深圳市商汤科技有限公司 数据分类方法及装置、电子设备和存储介质
CN113627233B (zh) * 2021-06-17 2024-08-13 中国科学院自动化研究所 基于视觉语义信息的人脸伪造检测方法和装置
CN113326400B (zh) * 2021-06-29 2024-01-12 合肥高维数据技术有限公司 基于深度伪造视频检测的模型的评价方法及系统
CN113822160B (zh) * 2021-08-20 2023-09-19 西安交通大学 深度伪造检测模型的评测方法、系统及设备
CN114078274A (zh) * 2021-10-29 2022-02-22 北京百度网讯科技有限公司 人脸图像检测方法、装置、电子设备以及存储介质
CN114463859B (zh) * 2021-11-03 2023-08-11 马上消费金融股份有限公司 活体检测的对抗样本生成方法、装置、电子设备及存储介质
CN114841340B (zh) * 2022-04-22 2023-07-28 马上消费金融股份有限公司 深度伪造算法的识别方法、装置、电子设备及存储介质
CN116070695B (zh) * 2023-04-03 2023-07-18 中国科学技术大学 图像检测模型的训练方法、图像检测方法及电子设备
CN117079336B (zh) * 2023-10-16 2023-12-22 腾讯科技（深圳）有限公司 样本分类模型的训练方法、装置、设备及存储介质
CN117591815B (zh) * 2023-10-31 2024-09-03 中国科学院空天信息创新研究院 面向多模态生成数据的综合质量评估方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101704717B1 (ko) * 2015-12-08 2017-02-08 (주)아이리스아이디 홍채 인식 장치 및 그 동작 방법
CN108520504A (zh) * 2018-04-16 2018-09-11 湘潭大学 一种基于生成对抗网络端到端的模糊图像盲复原方法
CN109146868A (zh) * 2018-08-27 2019-01-04 北京青燕祥云科技有限公司 3d肺结节生成方法、装置及电子设备
CN110458185A (zh) * 2019-06-26 2019-11-15 平安科技（深圳）有限公司 图像识别方法及装置、存储介质、计算机设备
CN110827216A (zh) * 2019-10-23 2020-02-21 上海理工大学 图像去噪的多生成器生成对抗网络学习方法
CN111368685A (zh) * 2020-02-27 2020-07-03 北京字节跳动网络技术有限公司 关键点的识别方法、装置、可读介质和电子设备
CN111696176A (zh) * 2020-06-08 2020-09-22 北京有竹居网络技术有限公司 图像处理方法、装置、电子设备及计算机可读介质
CN112149631A (zh) * 2020-10-20 2020-12-29 北京嘀嘀无限科技发展有限公司 图像处理的方法、装置、设备和介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101704717B1 (ko) * 2015-12-08 2017-02-08 (주)아이리스아이디 홍채 인식 장치 및 그 동작 방법
CN108520504A (zh) * 2018-04-16 2018-09-11 湘潭大学 一种基于生成对抗网络端到端的模糊图像盲复原方法
CN109146868A (zh) * 2018-08-27 2019-01-04 北京青燕祥云科技有限公司 3d肺结节生成方法、装置及电子设备
CN110458185A (zh) * 2019-06-26 2019-11-15 平安科技（深圳）有限公司 图像识别方法及装置、存储介质、计算机设备
CN110827216A (zh) * 2019-10-23 2020-02-21 上海理工大学 图像去噪的多生成器生成对抗网络学习方法
CN111368685A (zh) * 2020-02-27 2020-07-03 北京字节跳动网络技术有限公司 关键点的识别方法、装置、可读介质和电子设备
CN111696176A (zh) * 2020-06-08 2020-09-22 北京有竹居网络技术有限公司 图像处理方法、装置、电子设备及计算机可读介质
CN112149631A (zh) * 2020-10-20 2020-12-29 北京嘀嘀无限科技发展有限公司 图像处理的方法、装置、设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
视听觉深度伪造检测技术研究综述;梁瑞刚;吕培卓;赵月;陈鹏;邢豪;张颖君;韩冀中;赫然;赵险峰;李明;陈恺;;信息安全学报(第02期);全文 *

Also Published As

Publication number Publication date
CN112766189A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN112766189B (zh) 深度伪造检测方法、装置、存储介质及电子设备
US20230081645A1 (en) Detecting forged facial images using frequency domain information and local correlation
WO2020155907A1 (zh) 用于生成漫画风格转换模型的方法和装置
CN111402112B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN109829432B (zh) 用于生成信息的方法和装置
CN111275784B (zh) 生成图像的方法和装置
CN111859237A (zh) 网络内容审核方法、装置、电子设备、及存储介质
CN112419179B (zh) 修复图像的方法、装置、设备和计算机可读介质
CN115346278A (zh) 图像检测方法、装置、可读介质及电子设备
CN111783777B (zh) 图像处理方法、装置、电子设备和计算机可读介质
CN118097157B (zh) 基于模糊聚类算法的图像分割方法及系统
CN110288532B (zh) 生成全身图像的方法、装置、设备及计算机可读存储介质
CN114648675A (zh) 对抗训练方法、图像处理方法、装置、设备和介质
CN113592033B (zh) 油罐图像识别模型训练方法、油罐图像识别方法和装置
CN113255812A (zh) 视频边框检测方法、装置和电子设备
CN112766190B (zh) 对抗样本生成方法、装置、存储介质及电子设备
CN115936980B (zh) 一种图像处理方法、装置、电子设备及存储介质
US20240037713A1 (en) System, devices and/or processes for image anti-aliasing
CN113744379B (zh) 图像生成方法、装置和电子设备
CN112418233B (zh) 图像处理方法、装置、可读介质及电子设备
CN113542527B (zh) 一种人脸图像传输方法、装置、电子设备及存储介质
CN116434287A (zh) 一种人脸图像检测方法、装置、电子设备及存储介质
CN114399696A (zh) 一种目标检测方法、装置、存储介质及电子设备
CN111784710B (zh) 图像处理方法、装置、电子设备和介质
CN112488942B (zh) 修复图像的方法、装置、设备和计算机可读介质

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