CN113627503A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113627503A
CN113627503A CN202110872711.8A CN202110872711A CN113627503A CN 113627503 A CN113627503 A CN 113627503A CN 202110872711 A CN202110872711 A CN 202110872711A CN 113627503 A CN113627503 A CN 113627503A
Authority
CN
China
Prior art keywords
image
fingerprint
generated image
training
generating
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
Application number
CN202110872711.8A
Other languages
English (en)
Other versions
CN113627503B (zh
Inventor
曹娟
杨天韵
谢添
李锦涛
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.)
Institute of Computing Technology of CAS
Original Assignee
Institute of Computing Technology of CAS
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 Institute of Computing Technology of CAS filed Critical Institute of Computing Technology of CAS
Priority to CN202110872711.8A priority Critical patent/CN113627503B/zh
Publication of CN113627503A publication Critical patent/CN113627503A/zh
Application granted granted Critical
Publication of CN113627503B publication Critical patent/CN113627503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/04—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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种生成图像溯源模型训练方法，包括以下步骤：将生成图像输入至生成器以获取对应该生成图像的一指纹；将该指纹添加至随机选取的一真实图像上，得到一带指纹图像；将该带指纹图像分别输入至鉴别器和辅助分类器进行训练。

Description

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
技术领域
本发明涉及数字图像取证领域，特别涉及一种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。
背景技术
生成对抗网络(Generative Adversarial Network,GAN)的发展使得生成图像越来越逼真，这给视觉取证带来了巨大的挑战。
近年来，研究人员在生成图像检测上进行了大量的研究。然而，真假检测并不是终点，对于恶意和违法的内容，执法人员需要识别其所有者；对于生成模型的开发人员来说，设计生成模型需要经验丰富的研究人员进行大量的试错实验，有些生成模型具有很高的商业价值，应该予以保护。为了达到这些目的，需要对GAN生成图像进行溯源。
在之前的工作中，一些研究人员采用平均噪声图像作为GAN指纹，其结果显示每种GAN模型在其生成图像上都会留下特定的指纹。一些研究人员将GAN指纹解耦为模型指纹和图像指纹，具体地，将模型的输出特征作为图像指纹，最后一层的参数作为模型指纹，然后通过图像与模型指纹的点积运算来实现GAN生成图像的溯源。一些研究人员采用基于频率域的方法，将离散余弦变换(Discrete Cosine Transform,DCT)转换后的图像作为分类器的输入，用于GAN生成图像来源的检测。
现有的技术方案存在以下缺陷:第一，如何可视化GAN指纹仍然是一个悬而未决的问题。尽管有研究人员提出用平均噪声和自编码器的重建残差作为指纹，但是其提取的指纹包含很多冗余的噪声，从中难以观察不同的GAN生成图像的区别和相同的GAN生成图像的共性。第二，现有工作大多采用直接多分类的框架进行溯源，在没有额外约束的情况下，直接分类抽取的特征中可能包括许多与内容相关的信息，然而，合格的GAN指纹与生成内容无关。尽管基于直接多分类的方法学习到的表示足以检测与训练数据同分布的图像，但它在其他数据训练出的GAN模型上泛化差。
发明人在对生成图像溯源的研究中，发现现有技术中GAN指纹的可视化方法会包含很多冗余的噪声，而且在同结构但不同数据训练的GAN模型上泛化性较差。发明人经过研究发现，内容无关的特征有助于可视化GAN指纹和提高溯源的泛化性。因此，本发明提出了一个多任务的指纹提取框架，从GAN生成的图像中解耦出GAN指纹，并同时抽取出GAN模型的内容无关表示用于溯源。
发明内容
为了解决上述问题，本发明的主要目的在于提出一种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，能够从GAN生成图像中解耦出GAN指纹，并同时抽取出GAN模型的内容无关表示用于溯源，从而有助于可视化GAN指纹和有效提高溯源的泛化性。
为了实现上述目的，本发明提出一种生成图像溯源模型训练方法，包括以下步骤：
将生成图像输入至生成器以获取对应该生成图像的一指纹；
将该指纹添加至随机选取的一真实图像上，得到一带指纹图像；
将该带指纹图像分别输入至鉴别器和辅助分类器进行训练。
为了实现上述目的，本发明还提出一种生成图像溯源模型训练装置，包括：
指纹生成单元，用于将生成图像输入至生成器以获取对应该生成图像的一指纹；
带指纹图像获取单元，用于将该指纹添加至随机选取的一真实图像上，得到一带指纹图像；
第一训练单元，将该带指纹图像分别输入至鉴别器和辅助分类器进行训练。
为了实现上述目的，本发明还提出一种生成图像溯源方法，包括以下步骤：
将一待识别生成图像输入至由上述的生成图像溯源模型训练方法训练得到的生成器以获取对应该待识别生成图像的指纹；
将该指纹与指纹库中的预存指纹进行匹配，其中与该指纹最近似的该预存指纹的类别为该待识别生成图像的类别。
为了实现上述目的，本发明还提出一种生成图像溯源装置，包括：
生成器单元，用于将一待识别生成图像输入至由上述的生成图像溯源模型训练方法训练得到的生成器以获取对应该待识别生成图像的指纹；
指纹匹配单元，用于将该指纹与指纹库中的预存指纹进行匹配，其中与该指纹最近似的该预存指纹的类别为该待识别生成图像的类别。
为了实现上述目的，本发明还提出一种电子设备，包括：处理器和存储器，所述存储器内存储有可在所述处理器运行的计算机程序，当所述计算机程序被所述处理器执行时，实现上述的生成图像溯源模型训练方法和/或上述的生成图像溯源方法。
为了实现上述目的，本发明还提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现上述的生成图像溯源模型训练方法和/或上述的生成图像溯源方法。
由以上方案可知，本发明的优点在于：
本发明设计了一个融合指纹可视化和溯源的多任务框架，该框架可以同时实现GAN指纹可视化和GAN生成图像溯源；具体地，在特征抽取之后，将特征转换为一张指纹图，通过指纹生成的过程进一步约束特征提取器抽取内容无关的特征来进行GAN生成图像溯源，同时实现了GAN指纹可视化和GAN生成图像溯源。
设计对抗损失、分类损失和感知损失，用于约束生成GAN指纹的稳定性和判别性。本发明设计了一系列的损失函数约束GAN指纹的生成；具体地，设计分类损失约束生成的指纹具有判别性，设计对抗损失和感知损失约束生成的指纹具有稳定性。
附图说明
图1为本发明一实施例的生成图像溯源模型训练方法的流程图。
图2为本发明一实施例的生成图像溯源模型训练方法的框架图。
图3为本发明一实施例的生成图像溯源模型训练装置的模块图。
图4为本发明一实施例的生成图像溯源方法的流程图。
图5为本发明一实施例的生成图像溯源装置的模块图。
图6为本发明一实施例的电子设备的示意图。
具体实施方式
为让本发明的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。
参见图1及图2所示，本发明的实施例提出一种生成图像溯源模型训练方法，包括：步骤S10-S30。
步骤S10，将生成图像输入至生成器以获取对应该生成图像的一指纹。
在本实施例中，本发明设计GAN指纹解耦网络(GAN Fingerprint DisentanglingNetwork,GFD-Net)，其总体架构如图2所示。GFD-Net采用类似于生成对抗网络的框架，由一个生成器G、一个鉴别器D和一个辅助分类器C所构成。其中，生成器G负责生成指纹，鉴别器D和辅助分类器C负责对生成的指纹进行约束。
具体地，生成器G包含一个编码器和一个解码器。编码器将输入的生成图像xy投射为一个隐向量z，然后解码器将该隐向量z转换成与该输入的生成图像大小相同的指纹f。
可选地，与传统的生成器不同，在本实施例中，本发明在隐向量z上加上了一个分类头H，从而使编码器学习到关于生成图像的特征以更具判别性。分类头H由平均池层和全连通层构成，以隐向量z作为输入并且能够输出对生成图像的预测类别。
步骤S20，将该指纹添加至随机选取的一真实图像上，得到一带指纹图像。
在本实施例中，获取对应于输入的该生成图像的指纹f后，将其添加到随机选取的一张真实图像x上，得到一张带指纹图像xfp。具体地，将该指纹f与该真实图像x进行叠加后得到该带指纹图像xfp。
步骤3，将该带指纹图像分别输入至鉴别器和辅助分类器进行训练。
将该带指纹图像xfp输入到鉴别器D和辅助分类器C中进行训练。在本实施例中，对于鉴别器D，采用一个具有三层卷积层的PatchGAN结构，从而使鉴别器D通过训练以具有将输入的生成图像分类为真，将带指纹图像分类为假的能力；对于辅助分类器C，采用ResNet50的结构，从而使辅助分类器C通过训练以具预测图像来源的能力，目的是使带指纹图像与输入的生成图像归为同一类别。
进一步地，辅助分类损失添加在辅助分类器C上，其目的为使学习到的不同GAN指纹具有明显的区别。如果学习到的指纹能够代表其对应的GAN模型，那么将其添加到真实图像上时，得到的带指纹图像与生成指纹的输入的生成图像应该具有相似的属性。因此，本发明将带指纹图像xfp输入到辅助分类器C中并用辅助分类损失函数
Figure BDA0003189781400000051
进行约束，约束其与输入的生成图像具有相同的类别。其中，辅助分类损失函数如下所示：
Figure BDA0003189781400000052
另外，辅助分类器C可在输入的生成图像上进行预训练，使其具有分类不同GAN生成图像的功能，并且使用以下损失函数
Figure BDA0003189781400000053
进行约束：
Figure BDA0003189781400000054
LCE表示交叉熵损失，C表示辅助分类器，xfp表示带指纹图像，y表示生成图像类别。
进一步地，辅助分类损失可以使学习到的指纹具有判别性。但是，只有辅助分类损失作为约束，学习到的指纹仍然可能包含内容相关的信息，从而在同种GAN生成的图像中不稳定。因此，本发明使用对抗损失来抑制内容相关特征的学习。
对抗损失被添加在生成器G和鉴别器D上，其目的为让生成的带指纹图像近可能接近输入的生成图像，这样，当生成的指纹添加到真实图像上时不会改变该真实图像的内容，从而约束生成器G从输入的生成图像中提取与内容无关的特征。鉴别器D和生成器G的对抗损失函数可以表示为：
Figure BDA0003189781400000055
其中，D表示鉴别器，G表示分类器，xfp表示带指纹图像，x表示生成图像，E表示期望。
当通过最小化
Figure BDA0003189781400000056
来训练鉴别器D时，约束鉴别器D区分带指纹图像和输入的生成图像。当训练生成器G时，约束生成的带指纹图像能够愚弄鉴别器。通过生成器G和鉴别器D的对抗训练，生成器G能够从输入的生成图像中提取稳定的与内容无关的指纹。
进一步地，为了进一步约束带指纹图像与对应的真实图像在视觉上保持一致，并抑制带指纹图像上的内容相关信息，本发明在带指纹图像与对应的真实图像之间采用了VGG-16感知损失，其表示如下所示：
Figure BDA0003189781400000057
其中，||||表示L2损失，F表示VGG特征提取器，xfp表示带指纹图像，xreal表示真实图像。
进一步地，本发明将隐向量分类损失加在生成器的分类头上，它有两个功能：(1)使编码器学习到各个类别的判别特征，从而帮助生成具有判别性的指纹；(2)指纹学习的过程可以反过来帮助编码器产生一个与内容无关的表示，隐向量分类损失可以将隐向量映射到来源的类别用于溯源，隐向量分类损失可以表示为：
Figure BDA0003189781400000061
其中，LCE表示交叉熵损失，H表示该分类头，z表示该隐向量，y表示生成图像类别。
综上，GAN指纹解耦网络可以实现两个功能：(1)生成器G以生成图像作为输入，并输出与其对应的GAN模型的指纹；(2)得益于指纹学习，生成器G的编码器可以产生与内容无关且具有判别性的GAN来源表示，分类头利用该表示进行溯源。
总训练过程包含两个步骤：步骤一，固定鉴别器D和辅助分类器C并训练生成器G；步骤二，固定生成器G并训练鉴别器D和辅助分类器C。
其中，生成器G的训练目标(包括分类头)为：
Figure BDA0003189781400000062
判别器D和辅助分类器C的训练目标为：
Figure BDA0003189781400000063
参见图3所示，基于相同的发明构思，本发明的实施例还提出一种生成图像溯源模型训练装置100，包括：指纹生成单元110、带指纹图像获取单元120以及第一训练单元130。
指纹生成单元110，用于将生成图像输入至生成器以获取对应该生成图像的一指纹；
带指纹图像获取单元120，用于将该指纹添加至随机选取的一真实图像上，得到一带指纹图像；
第一训练单元130，将该带指纹图像分别输入至鉴别器和辅助分类器进行训练。
于一实施方式中，生成图像溯源模型训练装置100还包括：
第二训练单元140，用于将该隐向量输入至一分类头进行训练以使该分类头具有预测该生成图像的类别的能力；其中，该分类头由平均池层和全连通层构成。
通过上述方式完成了对生成图像溯源模型的训练，下面对所述模型的应用进行说明。
参见图4所示，基于同样的发明构思，本发明的实施例提出一种生成图像溯源方法，包括以下步骤：
步骤S40，将一待识别生成图像输入至由上述实施例的生成图像溯源模型训练方法训练得到的生成器以获取对应该待识别生成图像的指纹；
步骤S50，将该指纹与指纹库中的预存指纹进行匹配，其中与该指纹最近似的该预存指纹的类别为该待识别生成图像的类别。
其中，生成图像溯源模型训练完成后，利用该溯源模型对深度伪造数据集中的生成图像提取指纹，并对同类型的所有伪造的生成图像的指纹求均值作为该类生成图像的指纹，将每类生成图像的指纹保存到指纹库中。对于一张需要检测来源的待识别生成图像，使用该溯源模型抽取该待识别生成图像的指纹，将抽取的该指纹与指纹库中的指纹进行匹配，具体地，计算该待识别生成图像的指纹和指纹库中每类指纹之间的欧式距离，然后将与该待识别生成图像的指纹欧式距离最小的指纹所在类别作为对该待识别生成图像的类型的判定。
于一实施例中，该步骤S40包括：将该待识别的生成图像输入至由上述实施例的生成图像溯源模型训练方法训练得到的生成器的解码器以投射出一隐向量；
还包括，将该隐向量输入至由上述实施例的生成图像溯源模型训练方法训练得到的分类头以预测对应该隐向量的该待识别生成图像的类别。
参见图5所示，基于同样的发明构思，本发明的实施例还提出一种生成图像溯源装置200，包括：
生成器单元210，用于将一待识别生成图像输入至由上述实施例的生成图像溯源模型训练方法训练得到的生成器以获取对应该待识别生成图像的指纹；
指纹匹配单元220，用于将该指纹与指纹库中的预存指纹进行匹配，其中与该指纹最近似的该预存指纹的类别为该待识别生成图像的类别。
于一实施例中，该生成器单元210包括：隐向量投射子单元，用于将该待识别的生成图像输入至由上述实施例的生成图像溯源模型训练方法训练得到的生成器的解码器以投射出一隐向量；
还包括类别预测单元，用于将该隐向量输入至由上述实施例的生成图像溯源模型训练方法训练得到的分类头以预测对应该隐向量的该待识别生成图像的类别。
参见图6所示，基于同样的发明构思，本发明的实施例还提出一种电子设备300，包括：处理器310和存储器320，所述存储器320内存储有可在所述处理器310运行的计算机程序，当所述计算机程序被所述处理器310执行时，实现上述实施例的生成图像溯源模型训练方法和/或上述实施例的生成图像溯源方法。
另有，基于同样的发明构思，本发明的实施例提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例的生成图像溯源模型训练方法和/或上述实施例的生成图像溯源方法。
采用本发明与现有技术作对比实验的方式来验证本发明技术方案的有效性，实验结果如下表一所示：
方法 闭集测试准确率 开集测试准确率
PRNU 92.23 18.57
DCT 94.40 51.26
AttNet 99.44 65.18
GFD-Net 99.99 78.72
其中，PRNU、DCT及AttNet为现有方法，GFD-Net为本发明方法，由表一可以看出：本发明与现有方法相比，在可视化的GAN指纹的稳定性和判别性上均具有明显提升；在开放环境的溯源准确率测试中，在128分辨率的GAN上，较现有方法提升了至少13.54个百分点。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (16)

1.一种生成图像溯源模型训练方法，其特征在于，包括：
步骤1，将生成图像输入至生成器以获取对应该生成图像的一指纹；
步骤2，将该指纹添加至随机选取的一真实图像上，得到一带指纹图像；
步骤3，将该带指纹图像分别输入至鉴别器和辅助分类器进行训练。
2.如权利要求1所述的生成图像溯源模型训练方法，其特征在于，该步骤1包括：
步骤11，将该生成图像输入至该生成器的编码器以投射出一隐向量；
步骤12，该生成器的解码器将该隐向量转换为对应该生成图像的该指纹。
3.如权利要求2所述的生成图像溯源模型训练方法，其特征在于，还包括：
将该隐向量输入至一分类头进行训练以该分类头具有预测该生成图像的类别的能力；
其中，该分类头由平均池层和全连通层构成。
4.如权利要求1所述的生成图像溯源模型训练方法，其特征在于，还包括：
使用该生成图像对该辅助分类器进行预训练，以使其具有分类该生成图像的能力。
5.如权利要求1所述的生成图像溯源模型训练方法，其特征在于，采用辅助分类损失函数
Figure RE-FDA0003263103050000011
对该辅助分类器进行约束，
Figure RE-FDA0003263103050000012
其中，LCE表示交叉熵损失，C表示辅助分类器，xfp表示带指纹图像，y表示生成图像类别。
6.如权利要求1所述的生成图像溯源模型训练方法，其特征在于，采用对抗损失函数
Figure RE-FDA0003263103050000013
和
Figure RE-FDA0003263103050000014
分别约束该鉴别器区分该带指纹图像和该生成图像，以及该生成器生成的该指纹添加至该真实图像得到的该带指纹图像能够愚弄该鉴别器，
Figure RE-FDA0003263103050000015
Figure RE-FDA0003263103050000016
其中，D表示鉴别器，G表示分类器，xfp表示带指纹图像，x表示生成图像，E表示期望。
7.如权利要求1所述的生成图像溯源模型训练方法，其特征在于，还包括：
采用采用VGG-16感知损失函数
Figure RE-FDA0003263103050000021
约束该带指纹图像与对应的该真实图像在视觉上保持一致，
Figure RE-FDA0003263103050000022
其中，|| ||表示L2损失，F表示VGG特征提取器，xfp表示带指纹图像，xreal表示真实图像。
8.如权利要求3所述的生成图像溯源模型训练方法，其特征在于，采用隐向量分类损失函数
Figure RE-FDA0003263103050000023
对该分类头进行约束，
Figure RE-FDA0003263103050000024
其中，LCE表示交叉熵损失，H表示该分类头，z表示该隐向量，y表示生成图像类别。
9.一种生成图像溯源模型训练装置，其特征在于，包括：
指纹生成单元，用于将生成图像输入至生成器以获取对应该生成图像的一指纹；
带指纹图像获取单元，用于将该指纹添加至随机选取的一真实图像上，得到一带指纹图像；
第一训练单元，将该带指纹图像分别输入至鉴别器和辅助分类器进行训练。
10.如权利要求9所述的生成图像溯源模型训练装置，其特征在于，还包括：
第二训练单元，用于将该隐向量输入至一分类头进行训练以使该分类头具有预测该生成图像的类别的能力；
其中，该分类头由平均池层和全连通层构成。
11.一种生成图像溯源方法，其特征在于，包括：
步骤4，将一待识别生成图像输入至由权利要求1-8任一所述的方法训练得到的生成器以获取对应该待识别生成图像的指纹；
步骤5，将该指纹与指纹库中的预存指纹进行匹配，其中与该指纹最近似的该预存指纹的类别为该待识别生成图像的类别。
12.如权利要求11所述的生成图像溯源方法，其特征在于，
该步骤4包括：步骤41，将该待识别的生成图像输入至由权利要求1-8任一所述的方法训练得到的生成器的解码器以投射出一隐向量；
步骤6，将该隐向量输入至由权利要求3或8所述的方法训练得到的分类头以预测对应该隐向量的该待识别生成图像的类别。
13.一种生成图像溯源装置，其特征在于，包括：
生成器单元，用于将一待识别生成图像输入至由权利要求1-8任一所述的方法训练得到的生成器以获取对应该待识别生成图像的指纹；
指纹匹配单元，用于将该指纹与指纹库中的预存指纹进行匹配，其中与该指纹最近似的该预存指纹的类别为该待识别生成图像的类别。
14.如权利要求12所述的生成图像溯源装置，其特征在于，
该生成器单元包括：隐向量投射子单元，用于将该待识别的生成图像输入至由权利要求1-8任一所述的方法训练得到的生成器的解码器以投射出一隐向量；
类别预测单元，用于将该隐向量输入至由权利要求3或8所述的方法训练得到的分类头以预测对应该隐向量的该待识别生成图像的类别。
15.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器内存储有可在所述处理器运行的计算机程序，当所述计算机程序被所述处理器执行时，实现如权利要求1-8任一所述的方法和/或如权利要求10或11所述的方法。
16.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-8任一所述的方法和/或如权利要求10或11所述的方法。
CN202110872711.8A 2021-07-30 2021-07-30 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 Active CN113627503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110872711.8A CN113627503B (zh) 2021-07-30 2021-07-30 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110872711.8A CN113627503B (zh) 2021-07-30 2021-07-30 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

Publications (2)

Publication Number Publication Date
CN113627503A true CN113627503A (zh) 2021-11-09
CN113627503B CN113627503B (zh) 2023-10-24

Family

ID=78381868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110872711.8A Active CN113627503B (zh) 2021-07-30 2021-07-30 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

Country Status (1)

Country Link
CN (1) CN113627503B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115130531A (zh) * 2022-01-24 2022-09-30 北京中科睿鉴科技有限公司 图像生成模型网络结构溯源方法
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
CN116824647A (zh) * 2023-08-29 2023-09-29 苏州浪潮智能科技有限公司 图像伪造识别方法、网络训练方法、装置、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294667A (zh) * 2012-02-27 2013-09-11 深圳市腾讯计算机系统有限公司 通过水印进行同源图片追踪的方法及系统
US20190197358A1 (en) * 2017-12-21 2019-06-27 International Business Machines Corporation Generative Adversarial Network Medical Image Generation for Training of a Classifier
WO2020172838A1 (zh) * 2019-02-26 2020-09-03 长沙理工大学 一种改进辅助分类器gan的图像分类方法
US20200402223A1 (en) * 2019-06-24 2020-12-24 Insurance Services Office, Inc. Machine Learning Systems and Methods for Improved Localization of Image Forgery
CN112381149A (zh) * 2020-11-17 2021-02-19 大连理工大学 一种基于深度学习用于源相机识别的合理对抗分析方法
KR20210030063A (ko) * 2019-09-09 2021-03-17 서강대학교산학협력단 준지도 학습을 기반으로 한 이미지 분류를 위한 적대적 이미지 생성 모델 구축 시스템 및 방법
CN112561864A (zh) * 2020-12-04 2021-03-26 深圳格瑞健康管理有限公司 龋齿图像分类模型的训练方法、系统和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294667A (zh) * 2012-02-27 2013-09-11 深圳市腾讯计算机系统有限公司 通过水印进行同源图片追踪的方法及系统
US20190197358A1 (en) * 2017-12-21 2019-06-27 International Business Machines Corporation Generative Adversarial Network Medical Image Generation for Training of a Classifier
WO2020172838A1 (zh) * 2019-02-26 2020-09-03 长沙理工大学 一种改进辅助分类器gan的图像分类方法
US20200402223A1 (en) * 2019-06-24 2020-12-24 Insurance Services Office, Inc. Machine Learning Systems and Methods for Improved Localization of Image Forgery
KR20210030063A (ko) * 2019-09-09 2021-03-17 서강대학교산학협력단 준지도 학습을 기반으로 한 이미지 분류를 위한 적대적 이미지 생성 모델 구축 시스템 및 방법
CN112381149A (zh) * 2020-11-17 2021-02-19 大连理工大学 一种基于深度学习用于源相机识别的合理对抗分析方法
CN112561864A (zh) * 2020-12-04 2021-03-26 深圳格瑞健康管理有限公司 龋齿图像分类模型的训练方法、系统和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何剑华;龙法宁;朱晓姝;: "基于改进的CycleGAN模型非配对的图像到图像转换", 玉林师范学院学报, no. 02 *
刘尚争;刘斌;: "生成对抗网络图像类别标签跨模态识别系统设计", 现代电子技术, no. 08 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115130531A (zh) * 2022-01-24 2022-09-30 北京中科睿鉴科技有限公司 图像生成模型网络结构溯源方法
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
CN116824647A (zh) * 2023-08-29 2023-09-29 苏州浪潮智能科技有限公司 图像伪造识别方法、网络训练方法、装置、设备及介质
CN116824647B (zh) * 2023-08-29 2024-01-23 苏州浪潮智能科技有限公司 图像伪造识别方法、网络训练方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113627503B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN113627503B (zh) 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
CN109492662B (zh) 一种基于对抗自编码器模型的零样本图像分类方法
Gong et al. A generative discriminatory classified network for change detection in multispectral imagery
Agarwal et al. Image transformation-based defense against adversarial perturbation on deep learning models
Wu et al. A novel convolutional neural network for image steganalysis with shared normalization
He et al. Computer graphics identification combining convolutional and recurrent neural networks
CN113988180A (zh) 基于模型指纹的生成图像溯源方法
Zhu et al. Fingergan: a constrained fingerprint generation scheme for latent fingerprint enhancement
Akhtar et al. Attack to fool and explain deep networks
CN112949469A (zh) 针对人脸篡改图像特点分布的图像识别方法、系统及设备
Wang et al. Ft-tdr: Frequency-guided transformer and top-down refinement network for blind face inpainting
Luo et al. SMD anomaly detection: a self-supervised texture–structure anomaly detection framework
Peng et al. BDC-GAN: Bidirectional conversion between computer-generated and natural facial images for anti-forensics
CN111353399A (zh) 篡改视频检测方法
Xie et al. Adaptive image steganography using fuzzy enhancement and grey wolf optimizer
CN117351550A (zh) 基于有监督对比学习的网格自注意力人脸表情识别方法
CN114140670B (zh) 基于外源特征进行模型所有权验证的方法和装置
CN117558011B (zh) 基于自一致性矩阵和多尺度损失的图像文本篡改检测方法
Liu et al. Data protection in palmprint recognition via dynamic random invisible watermark embedding
CN117633604A (zh) 音视频智能处理方法、装置、存储介质和电子设备
CN113222480A (zh) 对抗样本生成模型的训练方法及装置
Zhou et al. Geometric rectification‐based neural network architecture for image manipulation detection
Poredi et al. Generative adversarial networks-based AI-generated imagery authentication using frequency domain analysis
Tariang et al. Synthetic Image Verification in the Era of Generative Artificial Intelligence: What Works and What Isn’t There yet
Tapia et al. Simulating Print/Scan Textures for Morphing Attack Detection

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