CN115035052A - 一种基于身份差异量化的伪造换脸图像检测方法和系统 - Google Patents
一种基于身份差异量化的伪造换脸图像检测方法和系统 Download PDFInfo
- Publication number
- CN115035052A CN115035052A CN202210573828.0A CN202210573828A CN115035052A CN 115035052 A CN115035052 A CN 115035052A CN 202210573828 A CN202210573828 A CN 202210573828A CN 115035052 A CN115035052 A CN 115035052A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- identity
- detected
- generation model
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000011002 quantification Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 9
- 101100356020 Haemophilus influenzae (strain ATCC 51907 / DSM 11121 / KW20 / Rd) recA gene Proteins 0.000 claims description 6
- 101100042680 Mus musculus Slc7a1 gene Proteins 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 101100412102 Haemophilus influenzae (strain ATCC 51907 / DSM 11121 / KW20 / Rd) rec2 gene Proteins 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 208000032538 Depersonalisation Diseases 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 230000006835 compression Effects 0.000 abstract description 5
- 238000007906 compression Methods 0.000 abstract description 5
- 238000005242 forging Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于身份差异量化的伪造换脸图像检测方法和系统,属于深度伪造检测技术领域。获取并配置换脸生成模型,并对所述的换脸生成模型进行参数微调;获取与待测图像具有相同身份的真实图像作为参考图像;以参考图像和待测图像构成四种输入组合,利用得到的换脸生成模型生成四种重建图像;根据参考图像、待测图像、以及四种重建图像,计算待测图像和参考图像之间的身份差异指标;根据身份差异指标进行图像真伪的判别。本发明不需要用伪造图像训练网络,因此对未知伪造方法的泛化性好;同时身份特征是高层语义特征,不会被压缩等图像操作破坏,因此本发明对图像失真也保持鲁棒。
Description
技术领域
本发明涉及深度伪造检测技术领域,尤其涉及一种基于身份差异量化的伪造换脸图像检测方法和系统。
背景技术
近年来,由于深度生成模型的进步,尤其是生成对抗网络(GAN)的进步,使得生成假人脸变得更加直接,同时识别它们更具挑战性。
滥用该技术可能会对个人和我们的社会造成严重伤害,例如,深度伪造(Deepfake)被用于诽谤名人和传播虚假内容。在这样的背景下,对于深度伪造多媒体的检测受到了研究者的广泛关注。
绝大部分现有的研究都是以有监督的方式,用大量的真伪图像数据训练一个CNN分类器,以检测假脸。对于由包含在训练集中的已知伪造方法生成的伪造图像,这类工作表现的很好,并取得了令人满意的结果。然而,当面临未知伪造方法生成的测试图像时,它们通常会遭受显着的性能下降。最新为提升模型对未知伪造方法的泛化性的尝试包括数据增强、域适应、基于块分类的局部特征建模等方法。然而,这些方法依然会对训练过程中所见过的操作过度拟合,难以达到很好的泛化效果。
另一类研究使用专家知识来提取存在于各种伪造操作中的通用特征,如混合边界痕迹、高频伪影。这些精心设计提取的伪造伪影有助于提高对未知伪造方法的泛化能力,但对于图像失真非常脆弱,例如压缩、模糊、缩放等操作会影响现有方法对伪造图像的检测能力。
发明内容
本方法针对现有技术的不足,提出一种基于身份差异量化的伪造换脸图像检测方法和系统,使用换脸生成网络将待测图像对齐到特定的属性空间,通过计算生成图像与原图像之间的差异,设计身份差异量化指标,实现对图像的伪造检测。
为了实现上述目的,本发明采用如下技术方案:
一种基于身份差异量化的伪造换脸图像检测方法,包括以下步骤:
步骤1,获取并配置换脸生成模型,并对所述的换脸生成模型进行参数微调;
步骤2,获取与待测图像具有相同身份的真实图像作为参考图像;
步骤3,以参考图像和待测图像构成四种输入组合,利用步骤1得到的换脸生成模型生成四种重建图像;
步骤4,根据参考图像、待测图像、以及四种重建图像,计算待测图像和参考图像之间的身份差异指标;
步骤5,根据身份差异指标进行图像真伪的判别。
作为本发明的优选,所述的换脸生成模型包括一个解码器和一个由目标图像分支网络、源图像分支网络、融合网络构成的编码器;所述的目标图像分支网络用于提取目标图像的属性特征,源图像分支网络用于提取源图像的身份特征,融合网络用于融合属性特征和编码特征,经解码器解码后得到生成图像。
作为本发明的优选,所述的换脸生成模型的参数微调步骤包括:
(1-1)选取人脸图像数据作为微调训练集,预处理人脸图像,包括定位并裁剪人脸区域、人脸对齐和尺寸调整;提取预处理后的人脸图像的身份特征向量;
(1-2)以1:1的比例划分两类训练图像输入组合,其中第一类训练图像输入组合为两张相同的人脸图像,第二类训练图像输入组合为两张随机的不同人脸图像;
(1-3)采用两类训练图像输入组合训练换脸生成模型,对于第一类训练图像输入组合,目标损失为图像重建损失;对于第二类训练图像输入组合,目标损失为换脸生成图像与源图像的身份特征损失。
作为本发明的优选,所述的步骤3中,以参考图像和待测图像构成四种输入组合,包括:{参考图像,参考图像}、{待测图像,参考图像}、{待测图像,待测图像}、{参考图像,待测图像},利用训练好的换脸生成模型分别得到对应于四种输入组合的重建图像。
作为本发明的优选,所述的身份差异指标的计算公式为:
其中,表示身份差异指标,‖.‖2表示L2范数,IR表示参考图像,IT表示待测图像,Irec-1表示以{参考图像,参考图像}为输入得到的第一重建图像,Irec-2表示以{待测图像,参考图像}为输入得到的第二重建图像,Irec-3表示以{待测图像,待测图像}为输入得到的第三重建图像,Irec-4表示以{参考图像,待测图像}为输入得到的第四重建图像。
作为本发明的优选,所述的步骤5中,根据身份差异指标进行图像真伪的判别时,若待测图像与参考图像之间的身份差异指标小于阈值,则待测图像为真实图像,否则为伪造图像。
作为本发明的优选,所述的阈值是通过训练得到的,具体为:收集真实和伪造的测试样本,计算身份差异指标,根据身份差异指标以及测试样本的真实标签,确定真伪分类的最佳阈值。
一种基于身份差异量化的伪造换脸图像检测系统,用于实现上述的基于身份差异量化的伪造换脸图像检测方法。
与现有技术相比,本发明的优势在于:本发明首先找到一张与待测图像具有相同身份的真实图像作为参考图像,利用换脸生成网络重建图像,将待测图像和参考图像对齐到一致的属性空间,通过计算重建生成图像与原参考、待测图像之间的差异,挖掘待测图像与真实图像在身份特征上的差异;并特别设计了身份差异量化指标,来作为图像是否伪造的判别依据。
本发明利用了在换脸伪造过程中,两张源图像提供的身份特征和属性特征之间存在差异,伪造图像不可避免地会丢失一部分源身份特征、融合另一张图像的特征的本质,设计了检测框架来量化在换脸伪造过程中的身份损失。该发明不需要用伪造图像训练网络,因此对未知伪造方法的泛化性好;同时身份特征是高层语义特征,不会被压缩等图像操作破坏,因此该发明对图像失真也保持鲁棒。
附图说明
图1是根据一示例性实施例示出的基于身份差异量化的伪造换脸图像检测方法的示意图。
图2是根据一示例性实施例示出的换脸生成模型的结构示意图。
具体实施方式
以下将结合附图和具体实施方式对本发明进行详细说明。附图仅为本发明的示意性图解,附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本发明提出的基于身份差异量化的伪造换脸图像检测方法是基于现有的换脸生成模型实现的,如图2所示为本实施例采用的换脸生成模型的结构示意图,以一张源图像和一张目标图像为输入,从源图像中提取身份特征,从目标图像中提取属性特征,将两种特征进行融合后,输入解码器生成伪造换脸图像。该伪造生成结果具有源图像的身份,具有目标图像的背景、发型、表情、头部姿态等属性特征。
本实施例中,所述的换脸生成模型包括一个解码器和一个由目标图像分支网络(属性特征编码器)、源图像分支网络(身份特征提取器)、融合网络构成的编码器;所述的目标图像分支网络用于提取目标图像的属性特征,源图像分支网络用于提取源图像的身份特征,融合网络用于融合属性特征和编码特征,经解码器解码后得到重建图像,即伪造换脸结果。
如图1所示,本发明提出的一种基于身份差异量化的伪造换脸图像检测方法,包括以下步骤:
(1)对换脸生成模型进行参数微调:
本步骤中,以开源模型SimSwap为例,参数微调的具体步骤如下:
(1-1)选取CelebA数据集(其他数据集如FFHQ、VGGface2均可)中的随机1000张图像构建微调数据集,用dlib库识别图片中的人脸区域,并根据眼部特征点与水平线的角度对图像进行仿射变换对齐人脸,以一定的缩放比例裁剪人脸区域并缩放尺寸为生成器的输入尺寸(224×224),并用ArcFace模型提取图像的人脸特征embeddingid*。
(1-2)以1:1构建两类训练输入,第一种输入的源图像和目标图像为相同图像,第二种输入的源图像和目标图像为不同图像。
(1-3)对于(1-2)中描述的第一种输入,用以下属性特征重建损失函数loss1微调模型:
Lrec=||Iresult-Itarget||1
其中,Dk表示第k个判别器,k=1,2,Dk (i)表示判别器Dk中的第i层特征,Nk,i表示判别器Dk中第i层的元素个数,Mk是判别器Dk中的总特征层数。Iresult表示由换脸生成模型生成的图像,Itarget表示目标图像。
(1-4)对于(1-2)中描述的第二种输入,用以下身份特征重建损失函数loss2微调模型:
其中,idsource表示源图像的人脸特征,idresult表示由换脸生成模型生成的图像的人脸特征,‖.‖2表示L2范数。
本步骤中,idsource是在换脸生成模型中的身份特征提取器直接提取得到的,idresult是将换脸生成模型生成的图像输入到换脸生成模型中的身份特征提取器中得到的。
(1-5)利用两类图像输入组合对换脸生成模型进行训练。
(2)通过平台注册数据库检测、或网络检索的方式得到与待测图像(记为IT)具有相同身份的真实图像(记为IR)作为参考图像。
(3)将参考图像IR和待测图像IT分别作为源图像、目标图像输入到参数微调后的换脸生成模型中,得到四张重建图像。具体步骤如下:
(3-1)首先对参考图像IR和待测图像IT进行预处理,检测图像中的人脸,定位并裁剪人脸区域,进行人脸对齐,并将尺寸调整为换脸生成模型的输入尺寸。
(3-2)以参考图像和待测图像为换脸生成模型的输入图像,生成四张具有与参考图像或待测图像相同属性背景的重建图像,分别命名为第一重建图像、第二重建图像、第三重建图像和第四重建图像,具体过程可以表示为:
第一重建图像:Irec-1=G(IR,IR)
第二重建图像:Irec-2=G(IT,IR)
第三重建图像:Irec-3=G(IT,IT)
第四重建图像:Irec-4=G(IR,IT)
其中,G(I1,I2)表示一个换脸生成模型,图像I1提供换脸时的身份特征,图像I2提供换脸时的属性特征,因此换脸生成模型的输出图像为具有图像I1的身份,具有图像I2的背景、发型、表情、头部姿态等属性特征的重建图像。
(4)根据待测图像、参考图像以及步骤(3)中生成的四张重建图像,计算待测图像IT和参考图像IR之间的身份差异。
(4-1)步骤(3-2)中重建生成的图像Irec-1和Irec-2与参考图像IR具有相同的属性特征,定义图像重建损失如下:
l1=‖IR-Irec-1‖2
l2=‖Irec-1-Irec-2‖2
(4-2)步骤(3-2)中重建生成的图像Irec-3和Irec-4与待测图像IT具有相同的属性特征,定义图像重建损失如下:
l3=‖IT-Irec-3‖2
l4=‖Irec-3-Irec-4‖2
(4-3)量化待测图像IT与参考图像IR之间的身份差异指标为:
(5)在少量样本上计算真实图像和伪造图像的身份差异指标,确定分类真伪图像的阈值,并根据阈值和待测图像的身份差异指标进行真伪检测。
本步骤中,若待测图像与参考图像之间的身份差异指标小于阈值,则待测图像为真实图像,否则为伪造图像。
在本实施例中还提供了一种基于身份差异量化的伪造换脸图像检测,该系统用于实现上述实施例,已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能的。
具体的,本发明提出的基于身份差异量化的伪造换脸图像检测系统,包括:
换脸生成模型模块,其用于根据输入的人脸图像对,生成重建图像;
换脸生成模型微调模块,其用于对换脸生成模型模块的参数进行微调;
输入组合构建模块,其用于根据参考图像和待测图像构成四种输入组合;
身份差异指标计算模块,其用于根据参考图像、待测图像、以及四种重建图像,计算待测图像和参考图像之间的身份差异指标;
人脸图像真伪判别模块,其用于根据身份差异指标进行图像真伪的判别。
上述系统中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。对于系统实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
为了测试本发明的实施效果,在部分换脸伪造数据集上进行了测试,用AUC(AreaUnder Curve)作为评估指标,AUC越接近1.0,检测效果越好。
表1示出了在DeepFakes、FaceSwap、Google DeepFake Detection、Celeb-DF、DeeperForensics-1.0五种数据集上的测试结果,其中DeepFakes、FaceSwap、GoogleDeepFake Detection进行了不同程度的压缩。
表1测试结果
从测试结果可见,本发明的检测结果均为90%以上,在FaceSwap数据集的不同压缩率下达到了99.4%和97.9%,检测性能高。
以上列举的仅是本发明的具体实施例。显然,本发明不限于以上实施例,还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (9)
1.一种基于身份差异量化的伪造换脸图像检测方法,其特征在于,包括以下步骤:
步骤1,获取并配置换脸生成模型,并对所述的换脸生成模型进行参数微调;
步骤2,获取与待测图像具有相同身份的真实图像作为参考图像;
步骤3,以参考图像和待测图像构成四种输入组合,利用步骤1得到的换脸生成模型生成四种重建图像;
步骤4,根据参考图像、待测图像、以及四种重建图像,计算待测图像和参考图像之间的身份差异指标;
步骤5,根据身份差异指标进行图像真伪的判别。
2.根据权利要求1所述的一种基于身份差异量化的伪造换脸图像检测方法,其特征在于,所述的换脸生成模型包括一个解码器和一个由目标图像分支网络、源图像分支网络、融合网络构成的编码器;所述的目标图像分支网络用于提取目标图像的属性特征,源图像分支网络用于提取源图像的身份特征,融合网络用于融合属性特征和编码特征,经解码器解码后得到生成图像。
3.根据权利要求1或2所述的一种基于身份差异量化的伪造换脸图像检测方法,其特征在于,所述的换脸生成模型的参数微调步骤包括:
(1-1)选取人脸图像数据作为微调训练集,预处理人脸图像,包括定位并裁剪人脸区域、人脸对齐和尺寸调整;提取预处理后的人脸图像的身份特征向量;
(1-2)以1:1的比例划分两类训练图像输入组合,其中第一类训练图像输入组合为两张相同的人脸图像,第二类训练图像输入组合为两张随机的不同人脸图像;
(1-3)采用两类训练图像输入组合训练换脸生成模型,对于第一类训练图像输入组合,目标损失为图像重建损失;对于第二类训练图像输入组合,目标损失为换脸生成图像与源图像的身份特征损失。
5.根据权利要求1所述的一种基于身份差异量化的伪造换脸图像检测方法,其特征在于,所述的步骤3中,以参考图像和待测图像构成四种输入组合,包括:{参考图像,参考图像}、{待测图像,参考图像}、{待测图像,待测图像}、{参考图像,待测图像},利用训练好的换脸生成模型分别得到对应于四种输入组合的重建图像。
7.根据权利要求1所述的一种基于身份差异量化的伪造换脸图像检测方法,其特征在于,所述的步骤5中,根据身份差异指标进行图像真伪的判别时,若待测图像与参考图像之间的身份差异指标小于阈值,则待测图像为真实图像,否则为伪造图像。
8.根据权利要求7所述的一种基于身份差异量化的伪造换脸图像检测方法,其特征在于,所述的阈值是通过训练得到的,具体为:收集真实和伪造的测试样本,计算身份差异指标,根据身份差异指标以及测试样本的真实标签,确定真伪分类的最佳阈值。
9.一种基于身份差异量化的伪造换脸图像检测系统,用于实现权利要求1所述的基于身份差异量化的伪造换脸图像检测方法,其特征在于,所述的系统包括:
换脸生成模型模块,其用于根据输入的人脸图像对,生成重建图像;
换脸生成模型微调模块,其用于对换脸生成模型模块的参数进行微调;
输入组合构建模块,其用于根据参考图像和待测图像构成四种输入组合;
身份差异指标计算模块,其用于根据参考图像、待测图像、以及四种重建图像,计算待测图像和参考图像之间的身份差异指标;
人脸图像真伪判别模块,其用于根据身份差异指标进行图像真伪的判别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210573828.0A CN115035052A (zh) | 2022-05-24 | 2022-05-24 | 一种基于身份差异量化的伪造换脸图像检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210573828.0A CN115035052A (zh) | 2022-05-24 | 2022-05-24 | 一种基于身份差异量化的伪造换脸图像检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115035052A true CN115035052A (zh) | 2022-09-09 |
Family
ID=83121015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210573828.0A Pending CN115035052A (zh) | 2022-05-24 | 2022-05-24 | 一种基于身份差异量化的伪造换脸图像检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035052A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740794A (zh) * | 2023-08-15 | 2023-09-12 | 中国科学技术大学 | 人脸伪造图像鉴别方法、系统、设备及存储介质 |
-
2022
- 2022-05-24 CN CN202210573828.0A patent/CN115035052A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740794A (zh) * | 2023-08-15 | 2023-09-12 | 中国科学技术大学 | 人脸伪造图像鉴别方法、系统、设备及存储介质 |
CN116740794B (zh) * | 2023-08-15 | 2023-11-28 | 中国科学技术大学 | 人脸伪造图像鉴别方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349136A (zh) | 一种基于深度学习的篡改图像检测方法 | |
Zhang et al. | Face morphing detection using Fourier spectrum of sensor pattern noise | |
CN111445454B (zh) | 一种图像真伪鉴别方法及其在证照识别中的应用 | |
CN112069891B (zh) | 一种基于光照特征的深度伪造人脸鉴别方法 | |
Yu et al. | Detecting deepfake-forged contents with separable convolutional neural network and image segmentation | |
CN110415260A (zh) | 基于字典与bp神经网络的烟雾图像分割与识别方法 | |
CN111126307A (zh) | 联合稀疏表示神经网络的小样本人脸识别方法 | |
CN112990031A (zh) | 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 | |
CN111476727B (zh) | 一种面向换脸视频检测的视频运动增强方法 | |
CN114842524B (zh) | 一种基于不规则显著性像素簇的人脸鉴伪方法 | |
CN114898438A (zh) | 一种基于时频域视觉伪影特征自适应融合的跨模态深度伪造检测方法 | |
CN115035052A (zh) | 一种基于身份差异量化的伪造换脸图像检测方法和系统 | |
CN117095471B (zh) | 基于多尺度特征的人脸伪造溯源方法 | |
Papa et al. | On the use of stable diffusion for creating realistic faces: From generation to detection | |
CN117275063A (zh) | 基于三维信息时序一致性的人脸深度伪造检测方法及系统 | |
CN113361474A (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 | |
Conotter et al. | Detecting photographic and computer generated composites | |
CN114596609B (zh) | 一种视听伪造检测方法及装置 | |
CN112287724A (zh) | 一种基于迁移学习和gan网络的指静脉身份识别系统 | |
CN115273186A (zh) | 基于图像特征融合的深度伪造人脸视频检测方法及系统 | |
CN114373213A (zh) | 基于人脸识别的未成年人身份识别方法及装置 | |
CN116977455A (zh) | 基于深度双向学习的人脸素描图像生成系统及方法 | |
Zheng et al. | Utility-oriented quality assessment of sonar image super-resolution | |
CN109102496B (zh) | 基于变分生成对抗模型识别乳腺肿瘤区域的方法及装置 | |
CN114694220B (zh) | 一种基于Swin Transformer的双流人脸伪造检测方法 |
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 |