CN114627412A - 基于误差重构实现无监督深度伪造视频检测处理的方法、装置、处理器及其计算机存储介质 - Google Patents

基于误差重构实现无监督深度伪造视频检测处理的方法、装置、处理器及其计算机存储介质 Download PDF

Info

Publication number
CN114627412A
CN114627412A CN202210222550.2A CN202210222550A CN114627412A CN 114627412 A CN114627412 A CN 114627412A CN 202210222550 A CN202210222550 A CN 202210222550A CN 114627412 A CN114627412 A CN 114627412A
Authority
CN
China
Prior art keywords
video
sequence
reconstruction
human face
characteristic point
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.)
Pending
Application number
CN202210222550.2A
Other languages
English (en)
Inventor
许喆
王志宏
杨莹
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.)
Third Research Institute of the Ministry of Public Security
Original Assignee
Third Research Institute of the Ministry of Public Security
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 Third Research Institute of the Ministry of Public Security filed Critical Third Research Institute of the Ministry of Public Security
Priority to CN202210222550.2A priority Critical patent/CN114627412A/zh
Publication of CN114627412A publication Critical patent/CN114627412A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于误差重构实现无监督深度伪造视频检测处理的方法，其中，该方法包括：(1)输入待检测视频进行数据预处理，提取待检测视频中的人脸特征点序列；(2)对人脸特征点序列进行重构处理，生成人脸特征点重构序列；(3)根据人脸特征点序列以及人脸特征点重构序列计算当前该视频的伪造分数；(4)根据伪造分数与预设阈值之间的比较关系，以判断当前该视频真伪。本发明还涉及一种相应的装置、处理器及其计算机可读存储介质。采用了本发明的该基于误差重构实现无监督深度伪造视频检测处理的方法、装置、处理器及其计算机可读存储介质，不需要使用伪造视频用于训练，节省了生成伪造视频的成本，并且有效平衡了性能和使用成本。

Description

基于误差重构实现无监督深度伪造视频检测处理的方法、装 置、处理器及其计算机存储介质
技术领域
本发明涉及计算机视觉技术领域，尤其涉及深度伪造视频检测技术领域，具体是指一种基于误差重构实现无监督深度伪造视频检测处理的方法、装置、处理器及其计算机可读存储介质。
背景技术
随着深度生成技术的快速发展，机器自动内容生成水平不断提高，其中深度伪造(Deepfake)更是内容生成中的热门技术，在短视频、游戏直播、视频会议等领域得到了广泛应用。但具备极高欺骗性的深度伪造引发了诸多争议，带来了潜在的社会信任和社会安全问题。
目前伪造视频检测主要被建模成有监督的分类任务，包括基于单帧的分类检测和基于多帧的分类检测。前者主要利用异常颜色、眼睛牙齿细节等特征在单帧内实现伪造视频检测；后者则对视频中的眨眼频率、表情变化等时序信息进行建模。基于多帧的方法相较于单帧，性能都有不同程度的提高，证明了时序信息的引入对提升检测精度的重要性。
然而当前工作仍存在两个主要问题：一是由于深度伪造方法不断地迭代更新、种类繁多，而现有的监督检测算法训练依赖的标注数据需要相应的伪造模型生成，这些伪造模型大多没有开源，复现难度大，训练成本高，极大地增加了检测模型的训练和更新成本；二是基于深度卷积网络提取特征的方法虽然性能良好但训练成本高，进一步提高了伪造检测模型的应用门槛。因此，需要一个平衡性能和成本的深度伪造检测方法。
发明内容
本发明的目的是克服了上述现有技术的缺点，提供了一种能够有效达到良好性能和成本平衡的基于误差重构实现无监督深度伪造视频检测处理的方法、装置、处理器及其计算机可读存储介质。
为了实现上述目的，本发明的基于误差重构实现无监督深度伪造视频检测处理的方法、装置、处理器及其计算机可读存储介质如下：
该基于误差重构实现无监督深度伪造视频检测处理的方法，其主要特点是，所述的方法包括以下步骤：
(1)输入待检测视频进行数据预处理，提取所述的待检测视频中的人脸特征点序列；
(2)对所述的人脸特征点序列进行重构处理，生成人脸特征点重构序列；
(3)根据所述的人脸特征点序列以及人脸特征点重构序列计算当前该视频的伪造分数；
(4)根据所述的伪造分数与预设阈值之间的比较关系，以判断当前该视频真伪。
较佳地，所述的步骤(1)包括以下步骤：
(1.1)用人脸特征点提取工具Dlib提取所述的待检测视频中的每一帧图像的68个人脸特征点作为该帧的原始特征；
(1.2)按照原视频帧的顺序组合得到原始人脸特征点序列，表示为fseq＝[f1，f2，f3，...，fN] 其中N为视频帧数，f为相应帧的人脸特征点；第i帧的68个人脸特征点表示为
Figure BDA0003534208440000021
Figure BDA0003534208440000022
其中
Figure BDA0003534208440000023
分别表示为第j个特征点的横、纵坐标；
(1.2)将每一帧所述的原始人脸特征点序列通过Lucas-Kanade光流算法进行下一帧的预测处理，得到预测帧；
(1.3)通过卡尔曼滤波器对所述的原始人脸特征点序列的每一帧和对应预测帧进行合并处理，并去除所述的原始人脸特征点序列中的噪声，以提取得到去噪后的所述的人脸特征点序列。
较佳地，所述的步骤(2)包括以下步骤：
(2.1)使用卷积神经网络提取所述的人脸特征点序列的局部特征；
(2.2)再使用双向门控循环网络对所述的人脸特征点序列的各帧序列特征进行建模处理，得到深层编码表示序列Zseq＝[z1，z2，z3，...，zN]，N为序列编码数；
(2.3)对所述的深层编码表示序列Zseq＝[z1，z2，z3，...，zN]通过两个独立的全连接层进行重参数处理，分别得到期望μi和方差σi，即μi＝fcμ(zi)，σi＝fcσ(zi)，其中，fcu和fcσ为互相独立的全连接层，经过重参数处理后的编码表示序列由期望μi、方差σi和正态分布采样ξi计算得到，具体为
Figure BDA0003534208440000024
(2.4)采用双向门控循环神经网络和全连接网络对重参数后的编码表示序列
Figure BDA0003534208440000025
Figure BDA0003534208440000026
进行解码处理，得到重构特征序列为f′seq＝[f′1，f′2，f′3，...，f′N]。
较佳地，所述的步骤(3)包括以下步骤：
(3.1)计算每一帧所述的人脸特征点序列和重构特征序列的重构误差，即第i帧的重构误差为
Figure BDA0003534208440000027
其中
Figure BDA0003534208440000028
分别表示为第j个原特征点的横、纵坐标，
Figure BDA0003534208440000031
分别表示为第j个重构特征点的横、纵坐标；
(3.2)将计算得到的每一帧所述的重构误差进行累加处理，则计算得到的各个重构误差的总和作为当前该视频的伪造分数，即
Figure BDA0003534208440000032
较佳地，所述的步骤(4)包括以下步骤：
(4.1)设置判断视频真伪的预设阈值；
(4.2)将计算得到的伪造分数与所述的预设阈值进行比较处理，如果所述的伪造分数大于所述的预设阈值，则判定当前该视频为伪造视频；如果所述的伪造分数小于所述的预设阈值，则判定当前该视频为正常视频。
该用于实现基于误差重构实现无监督深度伪造视频检测处理的装置，其主要特点是，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述计算机可执行指令被所述处理器执行时，实现上述所述的基于误差重构实现无监督深度伪造视频检测处理的方法的各个步骤。
该基于误差重构实现无监督深度伪造视频检测处理的处理器，其主要特点是，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述所述的基于误差重构实现无监督深度伪造视频检测处理的方法的各个步骤。
该计算机可读存储介质，其主要特点是，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现上述所述的基于误差重构实现无监督深度伪造视频检测处理的方法的各个步骤。
采用了本发明的该基于误差重构实现无监督深度伪造视频检测处理的方法、装置、处理器及其计算机存储介质，适用于低资源场景下的深度伪造视频检测。其工作特点与现有的深度伪造视频检测方法区别在于，使用人脸特征点作为基础特征，同时用无监督的方法重构序列，并依据重构误差进行真伪检测。同时，本技术方案构建的模型不需要使用伪造视频用于训练，节省了生成伪造视频的成本，同时节省了当新的伪造方法出现时检测模型所需的更新成本；使用人脸特征点作为基础特征可以在保留关键的伪造特征基础上极大的缩减特征空间，从而有效的平衡了性能和成本，降低了模型应用成本。
附图说明
图1为本发明的该基于误差重构实现无监督深度伪造视频检测处理的方法的总体流程示意图。
图2为本发明一具体实施例改进的变分自动编码器的网络结构示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
在详细说明根据本发明的实施例前，应该注意到的是，在下文中，术语“包括”、“包含”或任何其他变体旨在涵盖非排他性的包含，由此使得包括一系列要素的过程、方法、物品或者设备不仅包含这些要素，而且还包含没有明确列出的其他要素，或者为这种过程、方法、物品或者设备所固有的要素。
请参阅图1所示，该基于误差重构实现无监督深度伪造视频检测处理的方法，其中，所述的方法包括以下步骤：
(1)输入待检测视频进行数据预处理，提取所述的待检测视频中的人脸特征点序列；
(2)对所述的人脸特征点序列进行重构处理，生成人脸特征点重构序列；
(3)根据所述的人脸特征点序列以及人脸特征点重构序列计算当前该视频的伪造分数；
(4)根据所述的伪造分数与预设阈值之间的比较关系，以判断当前该视频真伪。
作为本发明的优选实施方式，所述的步骤(1)包括以下步骤：
(1.1)用人脸特征点提取工具Dlib提取所述的待检测视频中的每一帧图像的68个人脸特征点作为该帧的原始特征；
(1.2)按照原视频帧的顺序组合得到原始人脸特征点序列，表示为fseq＝[f1,f2,f3,...,fN] 其中N为视频帧数，f为相应帧的人脸特征点；第i帧的68个人脸特征点表示为
Figure BDA0003534208440000041
Figure BDA0003534208440000042
其中
Figure BDA0003534208440000043
分别表示为第j个特征点的横、纵坐标；
(1.2)将每一帧所述的原始人脸特征点序列通过Lucas-Kanade光流算法进行下一帧的预测处理，得到预测帧；
(1.3)通过卡尔曼滤波器对所述的原始人脸特征点序列的每一帧和对应预测帧进行合并处理，并去除所述的原始人脸特征点序列中的噪声，以提取得到去噪后的所述的人脸特征点序列。
作为本发明的优选实施方式，所述的步骤(2)包括以下步骤：
(2.1)使用卷积神经网络提取所述的人脸特征点序列的局部特征；
(2.2)再使用双向门控循环网络对所述的人脸特征点序列的各帧序列特征进行建模处理，得到深层编码表示序列Zseq＝[z1，z2，z3，...，zN]，N为序列编码数；
(2.3)对所述的深层编码表示序列Zseq＝[z1,z2,z3,...,zN]通过两个独立的全连接层进行重参数处理，分别得到期望μi和方差σi，即μi＝fcμ(zi)，σi＝fcσ(zi)，其中，fcu和fcσ为互相独立的全连接层，经过重参数处理后的编码表示序列由期望μi、方差σi和正态分布采样ξi计算得到，具体为
Figure BDA0003534208440000057
(2.4)采用双向门控循环神经网络和全连接网络对重参数后的编码表示序列
Figure BDA0003534208440000051
Figure BDA0003534208440000052
进行解码处理，得到重构特征序列为f′seq＝[f′1，f′2，f′3，...，f′N]。
作为本发明的优选实施方式，所述的步骤(3)包括以下步骤：
(3.1)计算每一帧所述的人脸特征点序列和重构特征序列的重构误差，即第i帧的重构误差为
Figure BDA0003534208440000053
其中
Figure BDA0003534208440000054
分别表示为第j个原特征点的横、纵坐标，
Figure BDA0003534208440000055
分别表示为第j个重构特征点的横、纵坐标；
(3.2)将计算得到的每一帧所述的重构误差进行累加处理，则计算得到的各个重构误差的总和作为当前该视频的伪造分数，即
Figure BDA0003534208440000056
作为本发明的优选实施方式，所述的步骤(4)包括以下步骤：
(4.1)设置判断视频真伪的预设阈值；
(4.2)将计算得到的伪造分数与所述的预设阈值进行比较处理，如果所述的伪造分数大于所述的预设阈值，则判定当前该视频为伪造视频；如果所述的伪造分数小于所述的预设阈值，则判定当前该视频为正常视频。
在本发明的实际应用当中，本技术方案包括数据预处理、人脸特征点重构序列生成和计算伪造分数三个阶段。当用户希望检测某个视频的真伪时，系统先对视频做预处理，得到视频对应的人脸特征点序列，接着通过改进的变分自动编码器生成人脸特征点重构序列，然后通过人脸特征点原序列和重构序列计算伪造得分，最后根据伪造得分是否超过设定的阈值来判断该视频是否伪造。
在本发明的一具体实施方式中，请参阅图1所示为本技术方案的总体处理流程：
1)输入待检测视频。
2)通过数据预处理得到待检测视频的人脸特征点序列。
3)通过特征点序列重构根据人脸特征点序列生成人脸特征点重构序列。
4)根据人脸特征点序列和人脸特征点重构序列计算伪造分数。
5)判断伪造分数是否超过设定的阈值，超过则是伪造；没有超过则是正常。
在本发明的一具体实施方式中，请参阅图2所示，其为本技术方案改进的变分自动编码器的网络结构。
对于输入的N帧人脸特征点序列，第i帧的第j个人脸特征点标记为
Figure BDA0003534208440000061
i∈[0，N]，j∈ [1，68]，每个特征点
Figure BDA0003534208440000062
按照横纵坐标表示为
Figure BDA0003534208440000063
第i帧的特征可表示为
Figure BDA0003534208440000064
Figure BDA0003534208440000065
接着使用卷积神经网络提取数帧之间的局部特征，然后采用双向门控循环神经网络建模人脸特征点序列的序列特征。具体地，特征序列表示为fseq＝[f1，f2，f3，...，fN]，依次通过卷积神经网络和双向门控循环神经网络后，得到深层编码表示序列为Zseq＝[z1，z2，z3，...，zN]由于采样训练过程中不能传递梯度，所以采用重参数方式。即对于深层编码表示zi，i∈[0，N]，通过两个独立的全连接层分别得到期望和方差，重参数后的编码表示为：
Figure BDA00035342084400000610
在解码过程中，同样需要考虑前后编码的时序信息，采用一个双向门控循环神经网络和一个全连接网络依次解码。
最终得到重构特征序列为f′seq＝[f′1，f′2，f′3，...，f′N]，损失函数由每个人脸特征点的重构误差和KL散度两部分构成，即：
loss＝lossreco+w×KL(μ，σ)
Figure BDA0003534208440000067
KL(μ，σ)＝-0.5×(1+log σ2-μ2-exp(log2))
其中w是KL散度的系数。
Figure BDA0003534208440000068
分别表示为第j个原特征点的横、纵坐标，
Figure BDA0003534208440000069
分别表示为第j个重构特征点的横、纵坐标。μ，σ分别对应重采样生成的期望μi、方差σi的均值。
该用于实现基于误差重构实现无监督深度伪造视频检测处理的装置，其中，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述计算机可执行指令被所述处理器执行时，实现上述所述的基于误差重构实现无监督深度伪造视频检测处理的方法的各个步骤。
该基于误差重构实现无监督深度伪造视频检测处理的处理器，其中，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述所述的基于误差重构实现无监督深度伪造视频检测处理的方法的各个步骤。
该计算机可读存储介质，其中，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现上述所述的基于误差重构实现无监督深度伪造视频检测处理的方法的各个步骤。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成的，程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一实施例”、“一些实施例”、“示例”、“具体示例”、或“实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
采用了本发明的该基于误差重构实现无监督深度伪造视频检测处理的方法、装置、处理器及其计算机存储介质，适用于低资源场景下的深度伪造视频检测。其工作特点与现有的深度伪造视频检测方法区别在于，使用人脸特征点作为基础特征，同时用无监督的方法重构序列，并依据重构误差进行真伪检测。同时，本技术方案构建的模型不需要使用伪造视频用于训练，节省了生成伪造视频的成本，同时节省了当新的伪造方法出现时检测模型所需的更新成本；使用人脸特征点作为基础特征可以在保留关键的伪造特征基础上极大的缩减特征空间，从而有效的平衡了性能和成本，降低了模型应用成本。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (8)

1.一种基于误差重构实现无监督深度伪造视频检测处理的方法，其特征在于，所述的方法包括以下步骤：
(1)输入待检测视频进行数据预处理，提取所述的待检测视频中的人脸特征点序列；
(2)对所述的人脸特征点序列进行重构处理，生成人脸特征点重构序列；
(3)根据所述的人脸特征点序列以及人脸特征点重构序列计算当前该视频的伪造分数；
(4)根据所述的伪造分数与预设阈值之间的比较关系，以判断当前该视频真伪。
2.根据权利要求1所述的基于误差重构实现无监督深度伪造视频检测处理的方法，其特征在于，所述的步骤(1)包括以下步骤：
(1.1)用人脸特征点提取工具Dlib提取所述的待检测视频中的每一帧图像的68个人脸特征点作为该帧的原始特征；
(1.2)按照原视频帧的顺序组合得到原始人脸特征点序列，表示为fseq＝[f1，f2，f3，...，fN]其中N为视频帧数，f为相应帧的人脸特征点；其中，第i帧的第68个人脸特征点表示为
Figure FDA0003534208430000011
Figure FDA0003534208430000012
其中
Figure FDA0003534208430000013
分别表示为第j个特征点的横坐标和纵坐标；
(1.2)将每一帧所述的原始人脸特征点序列通过Lucas-Kanade光流算法进行下一帧的预测处理，得到预测帧；
(1.3)通过卡尔曼滤波器对所述的原始人脸特征点序列的每一帧和对应预测帧进行合并处理，并去除所述的原始人脸特征点序列中的噪声，以提取得到去噪后的所述的人脸特征点序列。
3.根据权利要求2所述的基于误差重构实现无监督深度伪造视频检测处理的方法，其特征在于，所述的步骤(2)包括以下步骤：
(2.1)使用卷积神经网络提取所述的人脸特征点序列的局部特征；
(2.2)再使用双向门控循环网络对所述的人脸特征点序列的各帧序列特征进行建模处理，得到深层编码表示序列Zseq＝[z1，z2，z3，...，zN]，N为序列编码数；
(2.3)对所述的深层编码表示序列Zseq＝[z1，z2，z3，...，zN]通过两个独立的全连接层进行重参数处理，分别得到期望μi和方差σi，即μi＝fcμ(zi)，σi＝fcσ(zi)，其中，fcu和fcσ为互相独立的全连接层，经过重参数处理后的编码表示序列由期望μi、方差σi和正态分布采样ξi计算得到，具体为
Figure FDA0003534208430000014
ξi～N(0，I)；
(2.4)采用双向门控循环神经网络和全连接网络对重参数后的编码表示序列
Figure FDA0003534208430000015
Figure FDA0003534208430000021
进行解码处理，得到重构特征序列为f′seq＝[f′1，f′2，f′3，...，f′N]。
4.根据权利要求3所述的基于误差重构实现无监督深度伪造视频检测处理的方法，其特征在于，所述的步骤(3)包括以下步骤：
(3.1)计算每一帧所述的人脸特征点序列和重构特征序列的重构误差，即第i帧的重构误差为
Figure FDA0003534208430000022
其中
Figure FDA0003534208430000023
分别表示为第j个原特征点的横、纵坐标，
Figure FDA0003534208430000024
分别表示为第j个重构特征点的横、纵坐标；
(3.2)将计算得到的每一帧所述的重构误差进行累加处理，则计算得到的各个重构误差的总和作为当前该视频的伪造分数，即
Figure FDA0003534208430000025
5.根据权利要求4所述的基于误差重构实现无监督深度伪造视频检测处理的方法，其特征在于，所述的步骤(4)包括以下步骤：
(4.1)设置判断视频真伪的预设阈值；
(4.2)将计算得到的伪造分数与所述的预设阈值进行比较处理，如果所述的伪造分数大于所述的预设阈值，则判定当前该视频为伪造视频；如果所述的伪造分数小于所述的预设阈值，则判定当前该视频为正常视频。
6.一种用于实现基于误差重构实现无监督深度伪造视频检测处理的装置，其特征在于，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述计算机可执行指令被所述处理器执行时，实现权利要求1至5中任一项所述的基于误差重构实现无监督深度伪造视频检测处理的方法的各个步骤。
7.一种基于误差重构实现无监督深度伪造视频检测处理的处理器，其特征在于，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现权利要求1至5中任一项所述的基于误差重构实现无监督深度伪造视频检测处理的方法的各个步骤。
8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现权利要求1至5中任一项所述的基于误差重构实现无监督深度伪造视频检测处理的方法的各个步骤。
CN202210222550.2A 2022-03-07 2022-03-07 基于误差重构实现无监督深度伪造视频检测处理的方法、装置、处理器及其计算机存储介质 Pending CN114627412A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210222550.2A CN114627412A (zh) 2022-03-07 2022-03-07 基于误差重构实现无监督深度伪造视频检测处理的方法、装置、处理器及其计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210222550.2A CN114627412A (zh) 2022-03-07 2022-03-07 基于误差重构实现无监督深度伪造视频检测处理的方法、装置、处理器及其计算机存储介质

Publications (1)

Publication Number Publication Date
CN114627412A true CN114627412A (zh) 2022-06-14

Family

ID=81900188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210222550.2A Pending CN114627412A (zh) 2022-03-07 2022-03-07 基于误差重构实现无监督深度伪造视频检测处理的方法、装置、处理器及其计算机存储介质

Country Status (1)

Country Link
CN (1) CN114627412A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116132084A (zh) * 2022-09-20 2023-05-16 马上消费金融股份有限公司 视频流处理方法、装置及电子设备
CN116206375A (zh) * 2023-04-28 2023-06-02 南京信息工程大学 基于双层孪生网络和可持续学习的人脸伪造检测方法
CN117690061A (zh) * 2023-12-27 2024-03-12 中邮消费金融有限公司 深度伪造视频检测方法、装置、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116132084A (zh) * 2022-09-20 2023-05-16 马上消费金融股份有限公司 视频流处理方法、装置及电子设备
CN116206375A (zh) * 2023-04-28 2023-06-02 南京信息工程大学 基于双层孪生网络和可持续学习的人脸伪造检测方法
CN116206375B (zh) * 2023-04-28 2023-07-25 南京信息工程大学 基于双层孪生网络和可持续学习的人脸伪造检测方法
CN117690061A (zh) * 2023-12-27 2024-03-12 中邮消费金融有限公司 深度伪造视频检测方法、装置、设备及存储介质
CN117690061B (zh) * 2023-12-27 2024-05-17 中邮消费金融有限公司 深度伪造视频检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US10943096B2 (en) High-quality training data preparation for high-performance face recognition systems
WO2021139324A1 (zh) 图像识别方法、装置、计算机可读存储介质及电子设备
CN114627412A (zh) 基于误差重构实现无监督深度伪造视频检测处理的方法、装置、处理器及其计算机存储介质
CN110321873B (zh) 基于深度学习卷积神经网络的敏感图片识别方法及系统
CN110222573B (zh) 人脸识别方法、装置、计算机设备及存储介质
CN109785237B (zh) 一种太赫兹图像超分辨率重建方法、系统及相关装置
CN111291817B (zh) 图像识别方法、装置、电子设备和计算机可读介质
CN111785384A (zh) 基于人工智能的异常数据识别方法及相关设备
Baek et al. Generative adversarial ensemble learning for face forensics
Al-Dhabi et al. Deepfake video detection by combining convolutional neural network (cnn) and recurrent neural network (rnn)
Qin et al. Finger-vein quality assessment based on deep features from grayscale and binary images
CN111488810A (zh) 人脸识别方法、装置、终端设备及计算机可读介质
Zhao et al. Detecting deepfake video by learning two-level features with two-stream convolutional neural network
Mohammadi et al. Improving cross-dataset performance of face presentation attack detection systems using face recognition datasets
CN113592769B (zh) 异常图像的检测、模型的训练方法、装置、设备及介质
US11972604B2 (en) Image feature visualization method, image feature visualization apparatus, and electronic device
CN116977247A (zh) 图像处理方法、装置、电子设备及存储介质
KR20200124887A (ko) 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치
CN114596609A (zh) 一种视听伪造检测方法及装置
Dong 3D face recognition neural network for digital human resource management
Dhar et al. Detecting deepfake images using deep convolutional neural network
To et al. Deepfake Detection using EfficientNet: Working Towards Dense Sampling and Frames Selection
CN116152885B (zh) 一种基于特征解耦的跨模态异质人脸识别和原型修复方法
Berrahal et al. A comparative analysis of fake image detection in generative adversarial networks and variational autoencoders
Muhammad et al. Saliency-based video summarization for face anti-spoofing

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