CN113361474B - 基于图像块特征提取的双流网络图像伪造检测方法及系统 - Google Patents
基于图像块特征提取的双流网络图像伪造检测方法及系统 Download PDFInfo
- Publication number
- CN113361474B CN113361474B CN202110746406.4A CN202110746406A CN113361474B CN 113361474 B CN113361474 B CN 113361474B CN 202110746406 A CN202110746406 A CN 202110746406A CN 113361474 B CN113361474 B CN 113361474B
- Authority
- CN
- China
- Prior art keywords
- image
- forgery
- cnn
- model
- score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于局部图像块特征提取的双流网络伪造图像检测方法,包括:将待检测图像进行图像块分割;将得到的图像块分别输入CNN模型和CNN‑GRU模型提取图像块内部伪影和图像块间空间特征,分别得到对应的伪造得分,其中,所述伪造得分越接近1,该待检测图像是伪造的可能性越大;采用基于注意力的融合方法,将得到的两个伪造得分进行融合,得到对待检测图像真伪的判断得分。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种基于图像块特征提取的双流网络伪造图像检测方法及系统。
背景技术
近年来,人工智能技术的飞速发展,深度学习技术的兴起,在图像、视频生成领域,产生了大量的相关技术。人们已经可以利用多种技术生成以假乱真的可欺骗人眼的图片和视频。尽管这类生成技术在某些场合能够带来一些有趣或者有用的应用,但是,恶意利用和传播这些虚假产生的图片来制造一些社会舆论(例如司法取证、新闻报道、医学鉴定、色情传播),会给社会带来一些困扰恐慌,甚至带来一些政治安全问题。虚假图片产生的方法越来越多样化,针对各类虚假图像的生成算法还无法整体地建模分析,检测技术的研究被严重影响,而造假方的适应速度却很快,新技术日益迭代。因此,如何判断图像内容的真实性,成为近年来计算机视觉领域的一项重要研究课题。
虚假图像的生成可以分为两类。一类是早期的基于图像编辑技术和编辑软件生成篡改内容,使用方法一般包括拼接、复制移动、删除。这类虚假图像的生成先经过上述操作,然后使用高斯平滑等手段进行修补,因此产生的虚假伪影相对明显,易于检测。许多对应的检测技术发展的十分成熟,包括双JPEG压缩、局部噪声分析等。另一类是基于深度学习等智能化方法生成的虚假内容。这类虚假图像是利用生成对抗网络、卷积神经网络、编码解码网络、循环神经网络等先进的智能技术实现的。早期的检测技术有的已不再适用于检测这类智能技术产生的虚假图像。近年来的研究也提出了多种基于深度学习的图像伪造检测技术。
在人脸伪造检测这类问题上,把它看成一个二分类问题,其中提取充分和有效的鉴别特征在这类问题中起到了关键作用。近年来,分类网络的设计已经越来越完善,许多优秀的分类网络经过简单的设计变换就可以应用在新的场景。然而,在虚假人脸分类任务中,数据特征的获取和学习一直是研究的难点。因此,对分类网络进行修改再应用到人脸图像检测领域往往得不到好的结果。要想得到好的分类效果,从真假人脸图像中提取判别性好的特征是必不可少的。甚至可以说,特征工程对人脸伪造检测起着至关重要的作用。
已有的人脸伪造检测的方法中,都是先从特征提取开始,然后设计、改进网络结构。所以可以将人脸伪造检测的出发点分成两个部分,一是改进特征提取工程,二是设计模型架构。改进特征工程方面:它主要是寻找虚假图像伪影。早期的虚假图像生成技术比较原始,产生的伪影比较明显。这些伪影通常由于处理不妥当、颜色对比度明显导致,分析方法包括,RGB特征、局部噪声分析、提取SRM特征、双jpeg定位、CFA色彩矩阵分析/cfa模式分析、光照模式分析等。但随着生成技术的进步,利用GAN对抗式生成虚假图像,可以消除这些差异,这一类检测中部分方法也不再适用。深度学习智能化网络生成的虚假图像中,也产生了一系列的检测技术。比如通过1维功率谱分析、棋盘伪影、局部频率统计分析、高频GAN指纹等方法在频域分析虚假特征。
除了特征工程上的设计,还有一个技术点就是改进、设计网络架构。可以通过引入注意力机制加深模型对关键信息的学习;通过设计双流网络、甚至多流网络实现多模态、多特征的学习;设计网络的滤波器、层组数、激活函数等;引入孪生网络实现成对数据的输入比较。这类发明的缺点也是非常明显的,它们都只针对某一特定的虚假图像的检测,只能检测出换脸技术生成的虚假人脸图像,对于完全生成的假脸,则不能有效的识别。同时,对于从空间域、频域学习的判别性特征,也能够通过调整对抗式生成网络(GAN)来消除特定的特征,从而不再具有检测能力。
目前已有的针对人脸伪造检测的发明中,都是利用完整图像中空间域、频域等信息进行分析、特征提取,接着套入合适的网络架构来学习分辨出虚假图像与真实图像的区别。而从完整图像出发,很容易让模型忽略到局部的细节信息;同时,为了训练网络而进行的大小统一的操作会使图像丢失关键的判别性信息。研究表明,图像块依然包含判别性信息,用于区分真实和虚假的图像。已有的人脸伪造检测发明少有从局部图像块的角度进行分析,更少的是从局部图像块空间邻域信息进行探索,都没有考虑到局部空间中不同像素对分类的影响。
发明内容
有鉴于此,本发明的主要目的在于提供一种基于局部图像块特征提取的双流网络伪造图像检测方法,以期部分地解决上述技术问题中的至少之一。
为了实现上述目的,作为本发明的一方面,提供了一种基于图像块特征提取的双流网络伪造图像检测方法,包括:
将待检测图像进行图像块分割;
将得到的图像块分别输入CNN模型和CNN-GRU模型提取图像块内部伪影和图像块间空间特征,分别得到对应的伪造得分,其中,所述伪造得分越接近1,该待检测图像是伪造的可能性越大;
采用基于注意力的融合方法,将得到的两个伪造得分进行融合,得到对待检测图像真伪的判断得分。
其中,所述将待检测图像进行图像块分割所得到的图像块的大小由运行时间效率和统计意义决定。
其中,训练所述CNN模型时,训练集是由64*64*3大小的真假图像块组成。
其中,所述CNN模型包括五个卷积块和三个全连接层;每个卷积块包括一个卷积层、一个归一化层、一个Relu激活层和一个最大池化层;三个全连接层分别包括1024、512、1个神经元,最后的单个神经元会将特征向量映射到一个0到1范围的分数,即为所述伪造得分。
其中,所述CNN模型在进行测试时,每一张待检测图像分别分割成n个图像块,随机提取的图像块经过CNN模型分别输出一个伪造得分,最终CNN模型对所述待检测图像的判断结果是n个伪造得分的平均值。
其中,所述CNN-GRU模型将图像块通过CNN进行初步的特征提取,然后图像块的特征表示按照Hilbert曲线组织成块序列输入到GRU中,学习图像块之间的空间特征,以此进行图像伪造检测,输出CNN-GRU模型的伪造得分。
其中,所述CNN-GRU模型与CNN模型不同的是CNN-GRU模型输入的图像块是互不重合的,而CNN模型输入的图像块是随机提取的图像块,图像块之间存在重合。
其中,所述用基于注意力的融合方法,将得到的两个伪造得分进行融合包括:
分别训练两个特征的伪造检测模型,即CNN模型和CNN-GRU模型,每个模型都会输出一个伪造检测分数;
通过训练分别赋予两个特征一个加权权重;
伪造检测分数乘以权重相加得到最终的判断结果;
如果该伪造得分高于某阈值,则判断为假。
作为本发明的另一方面,提供了一种基于图像块特征提取的双流网络伪造图像检测系统,包括:
图像分割模块,用于将待检测图像进行图像块分割;
特征提取模块,用于将得到的图像块分别输入CNN模型和CNN-GRU模型提取图像块内部伪影和图像块间空间特征,分别得到对应的伪造得分,其中,所述伪造得分越接近1,该待检测图像是伪造的可能性越大;
融合模块,采用基于注意力的融合方法,将得到的两个伪造得分进行融合,得到对待检测图像真伪的判断得分。
其中,当所述检测系统得到一份多媒体内容,如果是一张图像,则直接进行伪造检测,输出伪造得分;如果是一个视频,则随机抽取多帧,分别得到多张图像,然后每帧图像进行伪造检测,输出伪造得分,对所有抽取帧的伪造得分取平均值,为最终的视频的伪造判断结果。
基于上述技术方案可知,本发明的基于图像块特征提取的双流网络伪造图像检测方法相对于现有技术至少具有如下有益效果之一:
1.相比现有的人脸伪造检测技术,本发明从一个新颖的检测视角出发,即站在小的局部图像块的视角,而不是以一整张图片进行检测。这样能够免去不必要的图像预处理操作,从而保留图像原有的虚假伪影特征;并且能够让模型更加关注局部细节信息,学习到稳定的特征;同时还能解决训练样本少的问题。使用局部图像块能更好的实现人脸伪造检测。
2.针对一个小的局部图像块,本发明采用了两个不同但是互补的特征,它们分别是图像块的内部伪影和图像块之间的空间特征,这两个特征在进行人脸伪造检测时,是互相促进的。相比单使用一种特征进行图像伪造检测,准确率更高。
3.本发明将CNN和GRU结合,从图像块序列中学习图像块之间的空间特征,完成人脸伪造检测。利用GRU在学习序列特征上的优势,将图像转换成序列,学习图像块之间的长距离依赖关系,使用GRU解决图像问题。
4.本发明采用基于注意力的方法对两种特征进行融合,完成人脸伪造检测,从而使模型最终的伪造检测准确率高,误报率低。
5.本发明适用于各类型的虚假图像,不仅限于虚假人脸图像,还包括虚假的其他类型的图像;不仅适用于传统的图像编辑技术生成的篡改图像,还适用于各类智能技术生成的虚假图像。(本发明适用于各类型的虚假人脸图像,包括完全生成式假脸,表情交换或身份交换的假脸,面部属性修改的假脸。)
附图说明
图1为本发明实施例提供的用于人脸伪造图像的检测方法的流程图。
具体实施方式
在如今图片伪造技术已经能够生成越来越逼真的虚假人脸图像,本发明的目的就是设计一套人脸伪造检测方案,它可以检测区分出真实人脸图像和各种手段生成的虚假人脸图像。
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
目前已有的针对人脸伪造检测的研究,都是从完整的人脸图像进行分析,少有从局部图像块的角度进行分析,更少的是从局部图像块的空间邻域信息进行探索。已有的方法都没有考虑到局部空间中不同像素对伪造检测的影响。
针对上述问题,本发明提供了一个基于局部图像块提取内部伪影和空间特征来进行人脸伪造检测方法。本发明人脸伪造检测框图如图1所示。由图1可以看出,本发明是一个双流网络结构,利用了两个不同但是互补的与图像块相关的特征。本发明的双流网络分别是:(1)CNN流:设计了一个CNN模型提取局部图像块内部伪影进行人脸伪造检测;(2)CNN-GRU流:设计了一个混合的CNN-GRU模型提取图像块间空间特征进行人脸伪造检测。这两个网络分别会输出一个伪造得分。最后本发明采用基于注意力的融合方法,将两个互补的特征得分进行融合,得到最后对一张人脸图像真伪的判断的得分。
本发明将分成三个部分具体说明,分别是:CNN模块提取图像块伪影、CNN-GRU模块提取图像块空间特征和两个互补特征的融合机制。
第一,CNN流:通过CNN模型提取图像块的内部伪影,以此进行人脸伪造检测。CNN是一个强大的特征学习网络,它能够从原始的RGB图像中提取出该图像的特征表示,这比传统的手工制作的各类特征效果要好。因此本发明设计了一个结构简单的CNN模型,学习提取人脸图像块的内部伪影。训练这个CNN模型时,本发明的训练集是由64*64*3大小的真假图像块组成。每一个图像块都是从真实和虚假的原始人脸图像中随机即提取的。当对一张人脸图像测试时,将它随机分成10份64*64*3的小块,然后分别经过训练好的CNN模型,输出虚假得分,将10个图像块的得分结果求平均得到CNN流的伪造得分。
第二,CNN-GRU流:通过一个混合的CNN-GRU模型提取图像块之间的空间特征,以此进行伪造检测。本发明利用了GRU在时间上的良好表现,用GRU提取局部空间序列特征。将得到的一个完整人脸图像,大小调整到256*256*3,然后平均划分成16个64*64*3的小的局部图像块。本发明利用了Hilbert曲线将这些图像块按照顺序组织在一起。首先,分别将16个图像块通过CNN进行初步的特征提取,然后将16个图像块的特征表示按照Hilbert曲线组织成块序列输入到GRU中,学习patch之间的空间特征,以此进行图像伪造检测,输出CNN-GRU流的伪造得分。
最后,将两个模型的结果进行融合,本发明采用的是基于注意力的融合方法。融合方法对于多数计算机视觉任务的性能改进是非常重要的。不适当的融合方法会使融合后效果比单个特征更差。常采用的方法有分数平均、特征平均、特征最大池化、特征最小池化等。本发明中采用的是基于注意力的融合方法,即通过训练分别赋予两个特征一个加权权重。本发明首先分别训练两个特征的伪造检测模型(即CNN流和CNN-GRU流),每个模型都会输出一个伪造检测分数,分数乘以权重相加得到最终的判断结果。最后,如果该伪造得分高于某阈值,则判断为假;否则,判断为真。
具体地,当该系统得到一份多媒体内容,如果是一张人脸图像,则直接进行人脸伪造检测,输出伪造得分;如果是一个人脸视频,则随机抽取多帧,分别得到多张人脸图像,然后每帧图像进行伪造检测,输出伪造得分,对所有抽取帧的伪造得分取平均值,为最终的人脸视频的伪造判断结果。
以进行人脸伪造检测为例。本发明使用的真实图像样本为FFHQ、FaceForensic++数据集中的原始视频抽取的帧,虚假图像样本为StyleGAN、PGGAN、StarGAN,以及FaceForensic++中基于原始视频通过四种换脸操作生成的虚假视频。这些数据集可以划分为两类,完全生成的假脸和部分生成的假脸,其中,部分生成的假脸包括身份交换、表情交换、属性修改等不同的伪造类型。
首先,详细介绍CNN流的实现细节。CNN流的网络结构包括五个卷积块,以及紧跟着的三个全连接层。每个卷积块包含一个卷积层、一个归一化层、一个Relu激活层和一个最大池化层。全连接层分别包含1024、512、1个神经元。训练时使用是的交叉熵损失函数。最后的单个神经元会将特征向量映射到一个0到1范围的分数,命为伪造得分。
实施时,训练集是由从真假人脸数据集上裁剪的大小为64*64*3的图像块组成。每一张人脸图像,通过标志定位脸部区域并裁剪10个图像块。假设真实人脸裁剪出的图像块都是真实的,标签为0;反之,虚假人脸的图像块标签为1。进行测试时,每一张新的人脸图像,分别抽取10个图像块,经过CNN流输出一个伪造得分,最终CNN流对该图像的判断结果是这十个伪造得分的平均值。
接下来,具体介绍CNN-GRU流的实现细节。首先是平均的将一张人脸图像划分成16个图像块,不同于CNN流,是随机提取的图像块,图像块之间存在重合。这部分划分的图像块是互不重合的。初始拿到一张图像的维度是256*256*3,因此划分出16个大小为64*64*3的图像块。然后根据Hilbert曲线的结构,将图像表面的16个图像块按照顺序连接成一个序列,大小为16*64*64*3。接着将每一个64*64*3的图像块经过一个CNN进行初步的特征表示,该CNN结构由三个卷积块组成。每个卷积块包含两个卷积层、一个Relu激活层、一个归一化层和一个最大池化层。经过CNN初步提取特征后,得到的是个16*16*16*256的向量。
接着,输入GRU进行空间特征的提取。GRU包括两个堆叠层,每一层包括16个单元。每一个单元输出256维的特征向量。本发明只取最后一个单元的输出,作为图像块之间的空间特征。之后,紧跟着3个全连接层,分为含256、256、1个神经元。最后一个神经元使用sigmod将特征向量映射到一个0到1之间的值,命为伪造得分。同CNN流的伪造得分相同,该分数越接近1,该图像是伪造的可能性越大。
最后,是基于注意力的融合机制。CNN流对于每一张图像,会输出一个最终得分s1,CNN-GRU流也有对应的一个最终伪造得分s2。本发明的融合机制,根据CNN流和CNN-GRU流的输出,学习两者的权重w1和w2,使最终两个网络的输出经过加权,采用公式s=s1*w1+s2*w2,获得最终得分s,通过比较s与预先定义好的阈值f的关系,进行伪造判断。若s>f,检测为假图像,否则为真图像。
1.本发明中分割图像块的大小可根据运行时间效率和统计意义进行改变。
2.本发明中提取图像块内部伪影的CNN流采用的是简单的CNN架构,也可使用当下流行的分类网络结构,例如XceptionNet,ResNet,InceptionNet等。
3.本发明最后的基于注意力的融合机制,也可替换成最简单的求平均值,结果也具有很好的检测效果。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于局部图像块特征提取的双流网络伪造图像检测方法,包括:
将待检测图像进行图像块分割;
将得到的图像块分别输入CNN模型和CNN-GRU模型提取图像块内部伪影和图像块间空间特征,分别得到对应的伪造得分,其中,所述CNN-GRU模型将图像块通过CNN进行初步的特征提取,然后图像块的特征表示按照Hilbert曲线组织成块序列输入到GRU中,学习图像块之间的空间特征,以此进行图像伪造检测,输出CNN-GRU模型的伪造得分,所述伪造得分越接近1,该待检测图像是伪造的可能性越大;
采用基于注意力的融合方法,将得到的两个伪造得分进行融合,得到对待检测图像真伪的判断得分。
2.根据权利要求1所述的方法,所述将待检测图像进行图像块分割所得到的图像块的大小由运行时间效率和统计意义决定。
3.根据权利要求1所述的方法,训练所述CNN模型时,训练集是由64*64*3大小的真假图像块组成。
4.根据权利要求1所述的方法,所述CNN模型包括五个卷积块和三个全连接层;每个卷积块包括一个卷积层、一个归一化层、一个Relu激活层和一个最大池化层;三个全连接层分别包括1024、512、1个神经元,最后的单个神经元会将特征向量映射到一个0到1范围的分数,即为所述伪造得分。
5.根据权利要求1所述的方法,所述CNN模型在进行测试时,每一张待检测图像分别分割成n个图像块,随机提取的图像块经过CNN模型分别输出一个伪造得分,最终CNN模型对所述待检测图像的判断结果是n个伪造得分的平均值。
6.根据权利要求1所述的方法,所述CNN-GRU模型与CNN模型不同的是CNN-GRU模型输入的图像块是互不重合的,而CNN模型输入的图像块是随机提取的图像块,图像块之间存在重合。
7.根据权利要求1所述的方法,所述用基于注意力的融合方法,将得到的两个伪造得分进行融合包括:
分别训练两个特征的伪造检测模型,即CNN模型和CNN-GRU模型,每个模型都会输出一个伪造检测分数;
通过训练分别赋予两个特征一个加权权重;
伪造检测分数乘以权重相加得到最终的判断结果;
如果该伪造得分高于某阈值,则判断为假。
8.一种基于局部图像块特征提取的双流网络伪造图像检测系统,包括:
图像分割模块,用于将待检测图像进行图像块分割;
特征提取模块,用于将得到的图像块分别输入CNN模型和CNN-GRU模型提取图像块内部伪影和图像块间空间特征,分别得到对应的伪造得分,其中,所述CNN-GRU模型将图像块通过CNN进行初步的特征提取,然后图像块的特征表示按照Hilbert曲线组织成块序列输入到GRU中,学习图像块之间的空间特征,以此进行图像伪造检测,输出CNN-GRU模型的伪造得分,所述伪造得分越接近1,该待检测图像是伪造的可能性越大;
融合模块,采用基于注意力的融合方法,将得到的两个伪造得分进行融合,得到对待检测图像真伪的判断得分。
9.根据权利要求8所述的检测系统,当所述检测系统得到一份多媒体内容,如果是一张图像,则直接进行伪造检测,输出伪造得分;如果是一个视频,则随机抽取多帧,分别得到多张图像,然后每帧图像进行伪造检测,输出伪造得分,对所有抽取帧的伪造得分取平均值,为最终的视频的伪造判断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110746406.4A CN113361474B (zh) | 2021-07-01 | 2021-07-01 | 基于图像块特征提取的双流网络图像伪造检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110746406.4A CN113361474B (zh) | 2021-07-01 | 2021-07-01 | 基于图像块特征提取的双流网络图像伪造检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361474A CN113361474A (zh) | 2021-09-07 |
CN113361474B true CN113361474B (zh) | 2022-09-09 |
Family
ID=77537809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110746406.4A Active CN113361474B (zh) | 2021-07-01 | 2021-07-01 | 基于图像块特征提取的双流网络图像伪造检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361474B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550268A (zh) * | 2022-03-01 | 2022-05-27 | 北京赛思信安技术股份有限公司 | 一种利用时空特征的深度伪造视频检测方法 |
CN115311525B (zh) * | 2022-10-08 | 2023-03-14 | 阿里巴巴(中国)有限公司 | 深度伪造检测方法及对应装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127435A (zh) * | 2019-12-25 | 2020-05-08 | 福州大学 | 基于双流卷积神经网络的无参考图像质量评估方法 |
CN111583180A (zh) * | 2020-04-03 | 2020-08-25 | 苏宁云计算有限公司 | 一种图像的篡改识别方法、装置、计算机设备及存储介质 |
CN112561907A (zh) * | 2020-12-24 | 2021-03-26 | 南开大学 | 一种基于双流网络的视频篡改操作检测方法及装置 |
CN112990031A (zh) * | 2021-03-23 | 2021-06-18 | 大连理工大学 | 一种基于改进孪生网络用于检测篡改人脸视频和图像的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11087164B2 (en) * | 2018-04-27 | 2021-08-10 | Artrendex Inc. | Method for identifying works of art at the stroke level |
-
2021
- 2021-07-01 CN CN202110746406.4A patent/CN113361474B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127435A (zh) * | 2019-12-25 | 2020-05-08 | 福州大学 | 基于双流卷积神经网络的无参考图像质量评估方法 |
CN111583180A (zh) * | 2020-04-03 | 2020-08-25 | 苏宁云计算有限公司 | 一种图像的篡改识别方法、装置、计算机设备及存储介质 |
CN112561907A (zh) * | 2020-12-24 | 2021-03-26 | 南开大学 | 一种基于双流网络的视频篡改操作检测方法及装置 |
CN112990031A (zh) * | 2021-03-23 | 2021-06-18 | 大连理工大学 | 一种基于改进孪生网络用于检测篡改人脸视频和图像的方法 |
Non-Patent Citations (2)
Title |
---|
《The Creation and Detection of Deepfakes:A Survey》;Yisroel M et al;《ACM》;20210102;全文 * |
《基于Inception3D网络的眼部与口部区域协同视频换脸伪造检测》;韩语晨等;《信号处理》;20210520;第37卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113361474A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Identification of deep network generated images using disparities in color components | |
Rana et al. | Deepfakestack: A deep ensemble-based learning technique for deepfake detection | |
CN112818862B (zh) | 基于多源线索与混合注意力的人脸篡改检测方法与系统 | |
Nguyen et al. | Learning spatio-temporal features to detect manipulated facial videos created by the deepfake techniques | |
CN113361474B (zh) | 基于图像块特征提取的双流网络图像伪造检测方法及系统 | |
CN112150450B (zh) | 一种基于双通道U-Net模型的图像篡改检测方法及装置 | |
Yang et al. | Spatiotemporal trident networks: detection and localization of object removal tampering in video passive forensics | |
Abidin et al. | Copy-move image forgery detection using deep learning methods: a review | |
CN114694220A (zh) | 一种基于Swin Transformer的双流人脸伪造检测方法 | |
Zhang et al. | No one can escape: A general approach to detect tampered and generated image | |
CN113822377B (zh) | 基于对比自学习的伪造人脸检测方法 | |
Chen et al. | Dlfmnet: End-to-end detection and localization of face manipulation using multi-domain features | |
Zhao et al. | TAN-GFD: generalizing face forgery detection based on texture information and adaptive noise mining | |
Han et al. | FCD-Net: Learning to detect multiple types of homologous deepfake face images | |
Liu et al. | A survey of GAN-generated fake faces detection method based on deep learning | |
Xu et al. | Feature enhancement and supervised contrastive learning for image splicing forgery detection | |
Rahmati et al. | Double JPEG compression detection and localization based on convolutional auto-encoder for image content removal | |
CN115100128A (zh) | 一种基于伪影噪声的深度伪造检测方法 | |
CN113850284B (zh) | 一种基于多尺度特征融合和多分支预测的多操作检测方法 | |
Ernawati et al. | Image Splicing Forgery Approachs: A Review and Future Direction | |
CN108364256A (zh) | 一种基于四元数小波变换的图像拼接检测方法 | |
Valveny et al. | Performance characterization of shape descriptors for symbol representation | |
CN113705397A (zh) | 基于双流cnn结构融合prnu的gan生成人脸检测方法 | |
CN117496583B (zh) | 一种可学习局部差异的深度伪造人脸检测定位方法 | |
Aminu et al. | Detection of image manipulation with convolutional neural network and local feature descriptors |
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 |