CN113902671A - 一种基于随机纹理的图像隐写方法和系统 - Google Patents

一种基于随机纹理的图像隐写方法和系统 Download PDF

Info

Publication number
CN113902671A
CN113902671A CN202111016764.6A CN202111016764A CN113902671A CN 113902671 A CN113902671 A CN 113902671A CN 202111016764 A CN202111016764 A CN 202111016764A CN 113902671 A CN113902671 A CN 113902671A
Authority
CN
China
Prior art keywords
noise
data
network
random
gan network
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
CN202111016764.6A
Other languages
English (en)
Other versions
CN113902671B (zh
Inventor
吉长江
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 Moviebook Science And Technology Co ltd
Original Assignee
Beijing Moviebook Science And 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 Moviebook Science And Technology Co ltd filed Critical Beijing Moviebook Science And Technology Co ltd
Priority to CN202111016764.6A priority Critical patent/CN113902671B/zh
Publication of CN113902671A publication Critical patent/CN113902671A/zh
Application granted granted Critical
Publication of CN113902671B publication Critical patent/CN113902671B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例公开了一种基于随机纹理的图像隐写方法和系统，所述方法包括：将随机隐变量和人脸图片输入GAN网络，得到内容一致、随机纹理不同的人脸数据；所述GAN网络是基于大规模人脸数据集训练的；所述GAN网络在AdaIn操作中引入高斯噪声b，以控制像素级的纹理；在所述GAN网络每次生成人脸数据的过程中，记录噪声数据B，作为生成的人脸数据的批次标识ID；通过训练分类网络D进行纹理分类，分类标签为批次识别ID，以对于生成内容的不同批次实现来源追溯；训练数据由若干随机隐向量通过添加设定噪声而生成。可以快速准确的对于生成内容的不同分发批次实现来源追溯。

Description

一种基于随机纹理的图像隐写方法和系统
技术领域
本申请实施例涉及深度学习技术领域，具体涉及一种基于随机纹理的图像隐写方法和系统。
背景技术
图像隐写技术是指在不引起观看者注意的情况下、将特定信息附加入图像，并可以使用相应技术手段将隐藏信息提取出来。该技术有众多的应用场景，其中包括数字内容版本控制。由于数字内容具有可复制性，很难从内容本身对其来源进行鉴别，无法对于内容来源进行追溯。通过图像隐写技术，可以在数字内容拷贝内，附加入该拷贝持有人的ID信息，从而在发生数字内容纠纷时，通过提取该ID信息来进行追溯和取证。
数字水印是图像隐写技术的一种，数字水印是肉眼不可见的，具有很强的隐蔽性。然而基于水印的方法对于一些篡改攻击是不鲁棒的，比如图像压缩、加噪点、多水印混合等，这样的操作后很难再从图像中提取出原水印，而当前网络传播的特点就是图像可能被多次编辑，这种情况使得图像在传播中无法保持携带的水印信息，导致成功提取水印的概率大幅降低。
发明内容
为此，本申请实施例提供一种基于随机纹理的图像隐写方法和系统，可以快速准确的对于生成内容的不同分发批次实现来源追溯。
为了实现上述目的，本申请实施例提供如下技术方案：
根据本申请实施例的第一方面，提供了一种基于随机纹理的图像隐写方法，所述方法包括：
将随机隐变量和人脸图片输入GAN网络，得到内容一致、随机纹理不同的人脸数据；所述GAN网络是基于大规模人脸数据集训练的；所述GAN网络在AdaIn操作中引入高斯噪声b，以控制像素级的纹理；在所述GAN网络每次生成人脸数据的过程中，记录噪声数据B，作为生成的人脸数据的批次标识ID；
通过训练分类网络D进行纹理分类，分类标签为批次识别ID，以对于生成内容的不同批次实现来源追溯；训练数据由若干随机隐向量通过添加设定噪声而生成。
可选地，所述GAN网络的工作过程包括：
原始输入包含随机隐向量，通过多层全卷积网络FC产生中间向量w；
中间向量w被变换成17个控制向量A传输给生成器的各个单元；
控制向量A与噪声数据B通过AdaIN计算，逐层上采样，生成高分辨率的图像输出。
可选地，所述GAN网络的生成网络包括17个不同分辨率的高斯噪声，所述GAN网络的生成器包括17个单元，每个单元对应一个噪声输入，共计17个噪声数据；所述17个不同分辨率的高斯噪声分别是：Noise_0～4*4；Noise_1～8*8；Noise_2～8*8；Noise_3～16*16；Noise_4～16*16；Noise_5～32*32；Noise_6～32*32；Noise_7～64*64；Noise_8～64*64；Noise_9～128*128；Noise_10～128*128；Noise_11～256*256；Noise_12～256*256；Noise_13～512*512；Noise_14～512*512；Noise_15～1024*1024；Noise_16～1024*1024。
可选地，令批次识别
Figure BDA0003240107940000021
其中bi＝V(Noise_i)，I＝0～16，V表示token化，将二维向量展开成一维向量。
可选地，所述随机隐向量使用真实数据集Z的中心点，与原随机数z进行加权平均。
根据本申请实施例的第二方面，提供了一种基于随机纹理的图像隐写系统，所述系统包括：
GAN网络模块，用于将随机隐变量和人脸图片输入GAN网络，得到内容一致、随机纹理不同的人脸数据；所述GAN网络是基于大规模人脸数据集训练的；所述GAN网络在AdaIn操作中引入高斯噪声b，以控制像素级的纹理；在所述GAN网络每次生成人脸数据的过程中，记录噪声数据B，作为生成的人脸数据的批次标识ID；
分类模块，用于通过训练分类网络D进行纹理分类，分类标签为批次识别ID，以对于生成内容的不同批次实现来源追溯；训练数据由若干随机隐向量通过添加设定噪声而生成。
可选地，所述GAN网络模块，具体用于：
原始输入包含随机隐向量，通过多层全卷积网络FC产生中间向量w；
中间向量w被变换成17个控制向量A传输给生成器的各个单元；
控制向量A与噪声数据B通过AdaIN计算，逐层上采样，生成高分辨率的图像输出。
可选地，所述GAN网络的生成网络包括17个不同分辨率的高斯噪声，所述GAN网络的生成器包括17个单元，每个单元对应一个噪声输入，共计17个噪声数据；所述17个不同分辨率的高斯噪声分别是：Noise_0～4*4；Noise_1～8*8；Noise_2～8*8；Noise_3～16*16；Noise_4～16*16；Noise_5～32*32；Noise_6～32*32；Noise_7～64*64；Noise_8～64*64；Noise_9～128*128；Noise_10～128*128；Noise_11～256*256；Noise_12～256*256；Noise_13～512*512；Noise_14～512*512；Noise_15～1024*1024；Noise_16～1024*1024。
可选地，令批次识别
Figure BDA0003240107940000031
其中bi＝V(Noise_i)，I＝0～16，V表示token化，将二维向量展开成一维向量。
可选地，所述随机隐向量使用真实数据集Z的中心点，与原随机数z进行加权平均。
根据本申请实施例的第三方面，提供了一种设备，所述设备包括：数据采集装置、处理器和存储器；所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行第一方面任一项所述的方法。
根据本申请实施例的第四方面，提供了一种计算机可读存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如第一方面任一项所述的方法。
综上所述，本申请实施例提供了一种基于随机纹理的图像隐写方法和系统，将随机隐变量和人脸图片输入GAN网络，得到内容一致、随机纹理不同的人脸数据；所述GAN网络是基于大规模人脸数据集训练的；所述GAN网络在AdaIn操作中引入高斯噪声b，以控制像素级的纹理；在所述GAN网络每次生成人脸数据的过程中，记录噪声数据B，作为生成的人脸数据的批次标识ID；通过训练分类网络D进行纹理分类，分类标签为批次识别ID，以对于生成内容的不同批次实现来源追溯；训练数据由若干随机隐向量通过添加设定噪声而生成。可以快速准确的对于生成内容的不同分发批次实现来源追溯。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本申请实施例提供的一种基于随机纹理的图像隐写方法流程示意图；
图2为本申请实施例提供的StyleGAN2的网络结构图；
图3为本申请实施例提供的一种基于随机纹理的图像隐写系统框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。
由于附加信息存在图像的随机纹理中，如头发、毛孔、斑点等，不会引起观看者的注意；该信息对应于图像纹理，是具有语义性质的，无法通过对于文件编码的操作消除掉，因而比数字水印更加鲁棒。
图1示出了一种基于随机纹理的图像隐写方法，所述方法包括：
步骤101：将随机隐变量和人脸图片输入生成式对抗网络(GAN,GenerativeAdversarial Networks),得到内容一致、随机纹理不同的人脸数据；所述GAN网络是基于大规模人脸数据集训练的；所述GAN网络在AdaIn操作中引入高斯噪声b，以控制像素级的纹理；在所述GAN网络每次生成人脸数据的过程中，记录噪声数据B，作为生成的人脸数据的批次标识ID；
步骤102：通过训练分类网络D进行纹理分类，分类标签为批次识别ID，以对于生成内容的不同批次实现来源追溯；训练数据由若干随机隐向量通过添加设定噪声而生成。
在一种可能的实施方式中，所述GAN网络的工作过程包括：原始输入包含随机隐向量，通过多层全卷积网络FC产生中间向量w；中间向量w被变换成17个控制向量A传输给生成器的各个单元；控制向量A与噪声数据B通过AdaIN计算，逐层上采样，生成高分辨率的图像输出。
在一种可能的实施方式中，所述GAN网络的生成网络包括17个不同分辨率的高斯噪声，所述GAN网络的生成器包括17个单元，每个单元对应一个噪声输入，共计17个噪声数据；所述17个不同分辨率的高斯噪声分别是：Noise_0～4*4；Noise_1～8*8；Noise_2～8*8；Noise_3～16*16；Noise_4～16*16；Noise_5～32*32；Noise_6～32*32；Noise_7～64*64；Noise_8～64*64；Noise_9～128*128；Noise_10～128*128；Noise_11～256*256；Noise_12～256*256；Noise_13～512*512；Noise_14～512*512；Noise_15～1024*1024；Noise_16～1024*1024。
在一种可能的实施方式中，令批次识别
Figure BDA0003240107940000061
其中bi＝V(Noise_i)，I＝0～16，V表示token化，将二维向量展开成一维向量。
在一种可能的实施方式中，所述随机隐向量使用真实数据集Z的中心点，与原随机数z进行加权平均。
具体来说，本申请实施例提供的方法实施例的具体实现步骤如下：
步骤1：在大规模人脸数据集上训练一个GAN网络(具有类似StyleGAN2结构)。该网络通过输入随机隐变量z来生成人脸数据。同时，该网络在AdaIn操作中引入了高斯噪声b，来控制像素级的纹理，例如头发、胡须等。Adaptive Instance NormalizationAdaIn操作，可以理解为，先去风格化(减去自身均值再除以自身标准差)，再风格化到style image的风格(乘style image的标准差再加均值)。
图2是开源算法StyleGAN2的网络结构图。具体的，包括如下步骤：
(1)原始输入包含隐向量z，通过多层全卷积网络FC产生中间向量w；
(2)中间向量w总共被变换成17个控制向量(A)传给生成器的各个单元；
(3)中间向量A与噪声数据B通过AdaIN计算，逐层上采样，生成高分辨率的图像输出。
这个算法证明，至少存在一种可能的网络结构，可以实现对于随机纹理的显式控制。本申请实施例不针对这个具体网络结构，而是设计一个解决方案，包括步骤2～4的流程。
步骤2：在每次生成过程中，记录上述步骤1中的噪声B，作为本次生成数据的批次标识ID；具体的，StyleGAN2的生成网络部分中，共包含17个不同分辨率的高斯噪声，StyleGAN2这个网络的生成器部分恰好包含17个单元，每个单元对应一个噪声输入，共计17个噪声数据。理论上，也可以设计出不同单元数目的网络结构，那么噪声数据的个数也随之改变。这17个不同分辨率的高斯噪声分别是：
Noise_0～4*4
Noise_1～8*8
Noise_2～8*8
Noise_3～16*16
Noise_4～16*16
Noise_5～32*32
Noise_6～32*32
Noise_7～64*64
Noise_8～64*64
Noise_9～128*128
Noise_10～128*128
Noise_11～256*256
Noise_12～256*256
Noise_13～512*512
Noise_14～512*512
Noise_15～1024*1024
Noise_16～1024*1024
令
Figure BDA0003240107940000071
其中bi＝V(Noise_i)，I＝0～16，V表示token化，即将二维向量展开成一维向量。
步骤3：经过上述步骤2，获取了内容一致、只有随机纹理不同的生成内容(人脸数据)。
步骤4：由于该随机纹理是具有语义特征且可见的，所以容易通过分类网络D进行自动区分；也即：通过训练深度神经网络D(如ResNet101网络)进行纹理分类；分类得到的标签是(2)中所述批次识别ID。训练数据来自于上述步骤，由若干隐向量通过添加某个特定的噪声而生成；隐向量理论上也是一个随机数z，一个随机数z生成一个不同特征的图像(例如不同性别、五官等)。但是对于StyleGAN算法而言，为了保证生成效果，该隐向量一般会使用所谓的“截断技巧”，即用真实数据集Z的中心点，与原随机数z进行加权平均。
通过上述步骤，使用生成算法自动将信息附加入原始图像，并能通过比对算法进行有效提取，可以对于生成内容的不同分发批次实现来源追溯。
综上所述，本申请实施例公开了一种基于随机纹理的图像隐写方法，通过将随机隐变量和人脸图片输入GAN网络，得到内容一致、随机纹理不同的人脸数据；所述GAN网络是基于大规模人脸数据集训练的；所述GAN网络在AdaIn操作中引入高斯噪声b，以控制像素级的纹理；在所述GAN网络每次生成人脸数据的过程中，记录噪声数据B，作为生成的人脸数据的批次标识ID；通过训练分类网络D进行纹理分类，分类标签为批次识别ID，以对于生成内容的不同批次实现来源追溯；训练数据由若干随机隐向量通过添加设定噪声而生成。可以快速准确的对于生成内容的不同分发批次实现来源追溯。
基于相同的技术构思，本申请实施例还提供了一种基于随机纹理的图像隐写系统，如图3所示，所述系统包括：
GAN网络模块301，用于将随机隐变量和人脸图片输入GAN网络，得到内容一致、随机纹理不同的人脸数据；所述GAN网络是基于大规模人脸数据集训练的；所述GAN网络在AdaIn操作中引入高斯噪声b，以控制像素级的纹理；在所述GAN网络每次生成人脸数据的过程中，记录噪声数据B，作为生成的人脸数据的批次标识ID；
分类模块302，用于通过训练分类网络D进行纹理分类，分类标签为批次识别ID，以对于生成内容的不同批次实现来源追溯；训练数据由若干随机隐向量通过添加设定噪声而生成。
在一种可能的实施方式中，所述GAN网络模块301，具体用于：
原始输入包含随机隐向量，通过多层全卷积网络FC产生中间向量w；
中间向量w被变换成17个控制向量A传输给生成器的各个单元；
控制向量A与噪声数据B通过AdaIN计算，逐层上采样，生成高分辨率的图像输出。
在一种可能的实施方式中，所述GAN网络的生成网络包括17个不同分辨率的高斯噪声，所述GAN网络的生成器包括17个单元，每个单元对应一个噪声输入，共计17个噪声数据；所述17个不同分辨率的高斯噪声分别是：Noise_0～4*4；Noise_1～8*8；Noise_2～8*8；Noise_3～16*16；Noise_4～16*16；Noise_5～32*32；Noise_6～32*32；Noise_7～64*64；Noise_8～64*64；Noise_9～128*128；Noise_10～128*128；Noise_11～256*256；Noise_12～256*256；Noise_13～512*512；Noise_14～512*512；Noise_15～1024*1024；Noise_16～1024*1024。
在一种可能的实施方式中，令批次识别
Figure BDA0003240107940000091
其中bi＝V(Noise_i)，I＝0～16，V表示token化，将二维向量展开成一维向量。
在一种可能的实施方式中，所述随机隐向量使用真实数据集Z的中心点，与原随机数z进行加权平均。
基于相同的技术构思，本申请实施例还提供了一种设备，所述设备包括：数据采集装置、处理器和存储器；所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行所述的方法。
基于相同的技术构思，本申请实施例还提供了一种计算机可读存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行所述的方法。
本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
需要说明的是，尽管在附图中以特定顺序描述了本发明方法的操作，但这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然本申请提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
上述实施例阐明的单元、装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于随机纹理的图像隐写方法，其特征在于，所述方法包括：
将随机隐变量和人脸图片输入生成式对抗网络GAN网络，得到内容一致、随机纹理不同的人脸数据；所述GAN网络是基于大规模人脸数据集训练的；所述GAN网络在AdaIn操作中引入高斯噪声b，以控制像素级的纹理；在所述GAN网络每次生成人脸数据的过程中，记录噪声数据B，作为生成的人脸数据的批次标识ID；
通过训练分类网络D进行纹理分类，分类标签为批次识别ID，以对于生成内容的不同批次实现来源追溯；训练数据由若干随机隐向量通过添加设定噪声而生成。
2.如权利要求1所述的方法，其特征在于，所述GAN网络的工作过程包括：
原始输入包含随机隐向量，通过多层全卷积网络FC产生中间向量w；
中间向量w被变换成17个控制向量A传输给生成器的各个单元；
控制向量A与噪声数据B通过AdaIN计算，逐层上采样，生成高分辨率的图像输出。
3.如权利要求1所述的方法，其特征在于，所述GAN网络的生成网络包括17个不同分辨率的高斯噪声，所述GAN网络的生成器包括17个单元，每个单元对应一个噪声输入，共计17个噪声数据；所述17个不同分辨率的高斯噪声分别是：Noise_0～4*4；Noise_1～8*8；Noise_2～8*8；Noise_3～16*16；Noise_4～16*16；Noise_5～32*32；Noise_6～32*32；Noise_7～64*64；Noise_8～64*64；Noise_9～128*128；Noise_10～128*128；Noise_11～256*256；Noise_12～256*256；Noise_13～512*512；Noise_14～512*512；Noise_15～1024*1024；Noise_16～1024*1024。
4.如权利要求3所述的方法，其特征在于，令批次识别
Figure FDA0003240107930000011
其中bi＝V(Noise_i)，I＝0～16,V表示token化，将二维向量展开成一维向量。
5.如权利要求1所述的方法，其特征在于，所述随机隐向量使用真实数据集Z的中心点，与原随机数z进行加权平均。
6.一种基于随机纹理的图像隐写系统，其特征在于，所述系统包括：
GAN网络模块，用于将随机隐变量和人脸图片输入GAN网络，得到内容一致、随机纹理不同的人脸数据；所述GAN网络是基于大规模人脸数据集训练的；所述GAN网络在AdaIn操作中引入高斯噪声b，以控制像素级的纹理；在所述GAN网络每次生成人脸数据的过程中，记录噪声数据B，作为生成的人脸数据的批次标识ID；
分类模块，用于通过训练分类网络D进行纹理分类，分类标签为批次识别ID，以对于生成内容的不同批次实现来源追溯；训练数据由若干随机隐向量通过添加设定噪声而生成。
7.如权利要求6所述的系统，其特征在于，所述GAN网络模块，具体用于：
原始输入包含随机隐向量，通过多层全卷积网络FC产生中间向量w；
中间向量w被变换成17个控制向量A传输给生成器的各个单元；
控制向量A与噪声数据B通过AdaIN计算，逐层上采样，生成高分辨率的图像输出。
8.如权利要求6所述的系统，其特征在于，所述GAN网络的生成网络包括17个不同分辨率的高斯噪声，所述GAN网络的生成器包括17个单元，每个单元对应一个噪声输入，共计17个噪声数据；所述17个不同分辨率的高斯噪声分别是：Noise_0～4*4；Noise_1～8*8；Noise_2～8*8；Noise_3～16*16；Noise_4～16*16；Noise_5～32*32；Noise_6～32*32；Noise_7～64*64；Noise_8～64*64；Noise_9～128*128；Noise_10～128*128；Noise_11～256*256；Noise_12～256*256；Noise_13～512*512；Noise_14～512*512；Noise_15～1024*1024；Noise_16～1024*1024。
9.如权利要求6所述的系统，其特征在于，令批次识别
Figure FDA0003240107930000021
其中bi＝V(Noise_i)，I＝0～16,V表示token化，将二维向量展开成一维向量。
10.如权利要求6所述的系统，其特征在于，所述随机隐向量使用真实数据集Z的中心点，与原随机数z进行加权平均。
CN202111016764.6A 2021-08-31 2021-08-31 一种基于随机纹理的图像隐写方法和系统 Active CN113902671B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111016764.6A CN113902671B (zh) 2021-08-31 2021-08-31 一种基于随机纹理的图像隐写方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111016764.6A CN113902671B (zh) 2021-08-31 2021-08-31 一种基于随机纹理的图像隐写方法和系统

Publications (2)

Publication Number Publication Date
CN113902671A true CN113902671A (zh) 2022-01-07
CN113902671B CN113902671B (zh) 2024-08-16

Family

ID=79188215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111016764.6A Active CN113902671B (zh) 2021-08-31 2021-08-31 一种基于随机纹理的图像隐写方法和系统

Country Status (1)

Country Link
CN (1) CN113902671B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116456037A (zh) * 2023-06-16 2023-07-18 南京信息工程大学 一种基于扩散模型的生成式图像隐写方法
CN117197294A (zh) * 2023-10-07 2023-12-08 成都武侯社区科技有限公司 一种结合生成对抗网络和扩散模型的人脸生成方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615582A (zh) * 2018-11-30 2019-04-12 北京工业大学 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法
CN111260754A (zh) * 2020-04-27 2020-06-09 腾讯科技（深圳）有限公司 人脸图像编辑方法、装置和存储介质
CN111598762A (zh) * 2020-04-21 2020-08-28 中山大学 一种生成式鲁棒图像隐写方法
WO2021017261A1 (zh) * 2019-08-01 2021-02-04 平安科技（深圳）有限公司 识别模型训练方法、图像识别方法、装置、设备及介质
CN112529161A (zh) * 2020-12-10 2021-03-19 北京百度网讯科技有限公司 生成对抗网络训练方法、生成对抗网络、人脸图像翻译方法和装置
CN113221794A (zh) * 2021-05-24 2021-08-06 厦门美图之家科技有限公司 一种训练数据集生成方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615582A (zh) * 2018-11-30 2019-04-12 北京工业大学 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法
WO2021017261A1 (zh) * 2019-08-01 2021-02-04 平安科技（深圳）有限公司 识别模型训练方法、图像识别方法、装置、设备及介质
CN111598762A (zh) * 2020-04-21 2020-08-28 中山大学 一种生成式鲁棒图像隐写方法
CN111260754A (zh) * 2020-04-27 2020-06-09 腾讯科技（深圳）有限公司 人脸图像编辑方法、装置和存储介质
CN112529161A (zh) * 2020-12-10 2021-03-19 北京百度网讯科技有限公司 生成对抗网络训练方法、生成对抗网络、人脸图像翻译方法和装置
CN113221794A (zh) * 2021-05-24 2021-08-06 厦门美图之家科技有限公司 一种训练数据集生成方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116456037A (zh) * 2023-06-16 2023-07-18 南京信息工程大学 一种基于扩散模型的生成式图像隐写方法
CN116456037B (zh) * 2023-06-16 2023-08-22 南京信息工程大学 一种基于扩散模型的生成式图像隐写方法
CN117197294A (zh) * 2023-10-07 2023-12-08 成都武侯社区科技有限公司 一种结合生成对抗网络和扩散模型的人脸生成方法
CN117197294B (zh) * 2023-10-07 2024-05-14 成都武侯社区科技有限公司 一种结合生成对抗网络和扩散模型的人脸生成方法

Also Published As

Publication number Publication date
CN113902671B (zh) 2024-08-16

Similar Documents

Publication Publication Date Title
Gani et al. A robust copy-move forgery detection technique based on discrete cosine transform and cellular automata
JP7490141B2 (ja) 画像検出方法、モデルトレーニング方法、画像検出装置、トレーニング装置、機器及びプログラム
Wang et al. Identifying computer generated images based on quaternion central moments in color quaternion wavelet domain
CN108229341B (zh) 分类方法和装置、电子设备、计算机存储介质
Dalla Mura et al. Classification of hyperspectral images by using extended morphological attribute profiles and independent component analysis
Rivera et al. Spatiotemporal directional number transitional graph for dynamic texture recognition
CN111898696A (zh) 伪标签及标签预测模型的生成方法、装置、介质及设备
CN110942061A (zh) 文字识别方法、装置、设备和计算机可读介质
CN111626293A (zh) 图像文本识别方法、装置、电子设备及存储介质
Liu et al. Median filtering forensics in digital images based on frequency-domain features
CN109711508B (zh) 图像处理方法和装置
CN113902671A (zh) 一种基于随机纹理的图像隐写方法和系统
CN112989085A (zh) 图像处理方法、装置、计算机设备及存储介质
Song et al. Towards genetic programming for texture classification
Gupta et al. A simplistic global median filtering forensics based on frequency domain analysis of image residuals
CN116796287A (zh) 图文理解模型的预训练方法、装置、设备及存储介质
CN109815793A (zh) 微表情描述方法、装置、计算机装置及可读存储介质
CN110428006A (zh) 计算机生成图像的检测方法、系统、装置
Ahmad et al. Digital image forgery detection approaches: a review
Hadi et al. Fast discrimination of fake video manipulation
CN112633200A (zh) 基于人工智能的人脸图像比对方法、装置、设备及介质
Mishra et al. Feature extraction techniques in facial expression recognition
CN114820938A (zh) 一种元宇宙场景素材的建模方法及相关装置
CN114612989A (zh) 人脸识别数据集的生成方法及装置、电子设备及存储介质
Mandisha et al. Wavelet Transform-based Methods for Forensic Analysis of Digital Images

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