KR102631954B1 - Ood 탐지 기반 위변조 이미지 판정 방법 및 그 장치 - Google Patents
Ood 탐지 기반 위변조 이미지 판정 방법 및 그 장치 Download PDFInfo
- Publication number
- KR102631954B1 KR102631954B1 KR1020230051941A KR20230051941A KR102631954B1 KR 102631954 B1 KR102631954 B1 KR 102631954B1 KR 1020230051941 A KR1020230051941 A KR 1020230051941A KR 20230051941 A KR20230051941 A KR 20230051941A KR 102631954 B1 KR102631954 B1 KR 102631954B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- forged
- images
- watermark
- present
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000009826 distribution Methods 0.000 title claims abstract description 19
- 230000004075 alteration Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 11
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- CVOFKRWYWCSDMA-UHFFFAOYSA-N 2-chloro-n-(2,6-diethylphenyl)-n-(methoxymethyl)acetamide;2,6-dinitro-n,n-dipropyl-4-(trifluoromethyl)aniline Chemical compound CCC1=CC=CC(CC)=C1N(COC)C(=O)CCl.CCCN(CCC)C1=C([N+]([O-])=O)C=C(C(F)(F)F)C=C1[N+]([O-])=O CVOFKRWYWCSDMA-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/95—Pattern authentication; Markers therefor; Forgery detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
본 발명은 위변조 이미지를 판정하는 방법 및 그 장치에 관한 것이다. 본 발명의 일 실시예에 따른 위변조 이미지 판정 방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 입력 이미지에 임베딩된 워터마크를 감지하는 단계, 상기 워터마크가 감지되면, 복수의 원본 이미지를 포함하는 데이터베이스에 상기 입력 이미지와의 유사도가 기준치 이상인 원본 이미지가 존재하는지 여부를 판정하는 단계 및 상기 유사도의 판정 결과, 상기 입력 이미지와의 유사도가 기준치 이상인 원본 이미지가 존재하면, OOD(Out-Of-Distribution) 탐지를 수행하는 단계를 포함할 수 있다.
Description
본 발명은 위변조 이미지를 판정하는 방법 및 그 장치에 관한 것이다. 보다 구체적으로는, OOD(Out-Of-Distribuition) 탐지에 기반하여 위변조 이미지를 판정하는 방법 및 그 장치에 관한 것이다.
위변조 이미지, 예컨대 딥페이크 이미지로 인한 피해는 사물 인터넷 시대의 도래와 함께 빠른 속도로 증가하고 있다. 그 피해의 대상은 연예인부터 일반인까지 광범위하며, 디지털 성범죄, 불법 복제 및 저작권 침해 등 각종 범죄에 위변조 이미지가 이용되고 있다. 나아가, 동영상의 프레임 단위로 이미지를 위변조한 위변조 영상(e.g. 딥페이크 영상)으로 인한 피해 또한 컴퓨팅 장치의 발달에 따라 증가하고 있다.
발달된 인공 지능 기술을 이용하여 제작된 위변조 이미지 및 위변조 영상은 사람의 육안으로 위조 또는 변조된 것인지 여부를 판정하기 어려운 문제가 있다. 또한, 이러한 위조 또는 변조 기술은 인공 지능 기술의 발달과 함께 빠르게 진화하고 있는 문제가 있다.
따라서, 위변조 이미지 및 위변조 영상으로 인한 피해를 예방하기 위해, 위변조 이미지 및 위변조 영상을 판정하기 위한 기술이 요구된다.
본 발명의 몇몇 실시예를 통해 해결하고자 하는 기술적 과제는, 위변조 이미지를 판정하는 장치 및 그 장치에서 수행되는 방법을 제공하는 것이다.
본 발명의 몇몇 실시예를 통해 해결하고자 하는 다른 기술적 과제는, 위변조 영상을 판정하는 장치 및 그 장치에서 수행되는 방법을 제공하는 것이다.
본 발명의 몇몇 실시예를 통해 해결하고자 하는 또 다른 기술적 과제는, 위변조 이미지 탐지 결과에 기초하여 원본 이미지에 대한 보안의 강도를 상향시키는 장치 및 그 장치에서 수행되는 방법을 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명의 기술 분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 위변조 이미지 판정 방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 입력 이미지에 임베딩된 워터마크를 감지하는 단계, 상기 워터마크가 감지되면, 복수의 원본 이미지를 포함하는 데이터베이스에 상기 입력 이미지와의 유사도가 기준치 이상인 원본 이미지가 존재하는지 여부를 판정하는 단계 및 상기 유사도의 판정 결과, 상기 입력 이미지와의 유사도가 기준치 이상인 원본 이미지가 존재하면, OOD(Out-Of-Distribution) 탐지를 수행하는 단계를 포함할 수 있다.
일 실시예에서, 상기 워터마크는, 상기 복수의 원본 이미지 각각에 임베딩된 인비저블 워터마크(Invisible Watermark)와 동일한 워터마크일 수 있다.
일 실시예에서, 상기 유사도가 기준치 이상인 원본 이미지가 존재하는지 여부를 판정하는 단계는, 상기 입력 이미지와 상기 복수의 원본 이미지 각각의 유사도를 산출하는 단계 및 상기 산출된 유사도가 최대인 원본 이미지의 유사도가 기준치 이상인지 판정하는 단계를 포함할 수 있다. 여기서, 상기 유사도를 산출하는 단계는, 상기 복수의 원본 이미지 각각의 히스토그램과 상기 입력 이미지의 히스토그램을 비교하여 상기 유사도를 산출하는 단계를 포함할 수 있다.
일 실시예에서, 상기 유사도가 기준치 미만이면, 상기 워터마크를 업데이트하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 OOD 탐지를 수행하는 단계는, 상기 복수의 원본 이미지에 기초하여 결정된 복수의 클래스와 상기 입력 이미지와의 관련도가 기준 수치 이상인 클래스가 존재하는지 여부를 판정하는 단계를 포함할 수 있다. 여기서, 상기 관련도의 판정 결과, 상기 입력 이미지와의 관련도가 기준 수치 이상인 클래스가 존재하면, 상기 입력 이미지를 원본 이미지로 판정하는 단계를 더 포함하거나 상기 관련도의 판정 결과, 상기 입력 이미지와의 관련도가 기준 수치 이상인 클래스가 존재하지 않으면, 상기 입력 이미지를 위변조 이미지로 판정하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 관련도가 기준 수치 이상인 클래스가 존재하는지 여부를 판정하는 단계는, 상기 입력 이미지와 상기 복수의 클래스 각각의 관련도를 산출하는 단계 및 상기 산출된 관련도가 최대인 클래스의 관련도가 기준 수치 이상인지 판정하는 단계를 포함할 수 있다. 여기서, 상기 관련도를 산출하는 단계는, Softmax 알고리즘을 이용하여, 상기 입력 이미지가 상기 복수의 클래스 각각에 속할 확률을 산출하는 단계를 포함하고, 상기 산출된 관련도가 최대인 클래스의 관련도는, 상기 산출된 확률이 최대인 클래스의 확률일 수 있다.
일 실시예에서, 상기 입력 이미지는, 딥페이크 영상의 스크린샷 이미지일 수 있다.
본 발명의 다른 실시예에 따른 위변조 이미지 판정 장치는, 프로세서, 네트워크 인터페이스, 메모리 및 상기 메모리에 로드(load)되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되, 상기 컴퓨터 프로그램은, 입력 이미지에 임베딩된 워터마크를 감지하는 인스트럭션(Instruction), 상기 워터마크가 감지되면, 복수의 원본 이미지를 포함하는 데이터베이스에 상기 입력 이미지와의 유사도가 기준치 이상인 원본 이미지가 존재하는지 여부를 판정하는 인스트럭션 및 상기 유사도의 판정 결과, 상기 입력 이미지와의 유사도가 기준치 이상인 원본 이미지가 존재하면, OOD(Out-Of-Distribution) 탐지를 수행하는 인스트럭션을 포함할 수 있다. 여기서, 위변조 이미지 판정 장치는 카메라를 더 포함할 수 있다.
도 1은 본 발명의 일 실시예에 따른 위변조 이미지 판정 장치가 적용될 수 있는 예시적인 환경을 도시한다.
도 2 및 도 3은 본 발명의 다른 실시예에 따른 위변조 이미지 판정 방법을 나타내는 예시적인 순서도이다.
도 4는 도 2를 참조하여 설명된 유사도 판정 동작을 보다 구체적으로 설명하기 위한 예시적인 순서도이다.
도 5는 도 2를 참조하여 설명된 OOD(Out-Of-Distribution) 탐지 동작을 보다 구체적으로 설명하기 위한 예시적인 순서도이다.
도 6은 도 5를 참조하여 설명된 관련도 판정 동작을 보다 구체적으로 설명하기 위한 예시적인 순서도이다.
도 7은 본 발명의 몇몇 실시예에서 참조될 수 있는 인비저블 워터마크(Invisible Watermark)를 설명하기 위한 예시적인 도면이다.
도 8은 본 발명의 몇몇 실시예에서 참조될 수 있는 OOD 탐지 동작을 보다 구체적으로 설명하기 위한 예시적인 도면이다.
도 9는 도 8을 참조하여 설명된 OOD 탐지 동작이 이미지에 적용되는 일례를 설명하기 위한 예시적인 도면이다.
도 10 및 도 11은 본 발명의 몇몇 실시예에서 참조될 수 있는 GAN 모델을 설명하기 위한 예시적인 도면이다.
도 12는 본 발명의 일 실시예에 따른 장치를 구현할 수 있는 예시적인 하드웨어 구성도이다.
도 2 및 도 3은 본 발명의 다른 실시예에 따른 위변조 이미지 판정 방법을 나타내는 예시적인 순서도이다.
도 4는 도 2를 참조하여 설명된 유사도 판정 동작을 보다 구체적으로 설명하기 위한 예시적인 순서도이다.
도 5는 도 2를 참조하여 설명된 OOD(Out-Of-Distribution) 탐지 동작을 보다 구체적으로 설명하기 위한 예시적인 순서도이다.
도 6은 도 5를 참조하여 설명된 관련도 판정 동작을 보다 구체적으로 설명하기 위한 예시적인 순서도이다.
도 7은 본 발명의 몇몇 실시예에서 참조될 수 있는 인비저블 워터마크(Invisible Watermark)를 설명하기 위한 예시적인 도면이다.
도 8은 본 발명의 몇몇 실시예에서 참조될 수 있는 OOD 탐지 동작을 보다 구체적으로 설명하기 위한 예시적인 도면이다.
도 9는 도 8을 참조하여 설명된 OOD 탐지 동작이 이미지에 적용되는 일례를 설명하기 위한 예시적인 도면이다.
도 10 및 도 11은 본 발명의 몇몇 실시예에서 참조될 수 있는 GAN 모델을 설명하기 위한 예시적인 도면이다.
도 12는 본 발명의 일 실시예에 따른 장치를 구현할 수 있는 예시적인 하드웨어 구성도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 발명의 기술적 사상을 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.
각 도면의 구성 요소들에 참조부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성 요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성 요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
이하, 본 발명의 다양한 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.
*도 1은 본 발명의 일 실시예에 따른 위변조 이미지 판정 장치(100)가 적용될 수 있는 예시적인 환경을 도시한다. 도 1은 1개의 딥페이크 제작 장치(400)가 적용된 것을 도시하고 있으나, 이는 이해의 편의를 제공하기 위한 것일 뿐이고, 원본 이미지의 위변조를 수행하는 딥페이크 제작 장치(400)의 개수는 얼마든지 달라질 수 있다.
또한, 도 1은 본 발명의 목적을 달성하기 위한 바람직한 실시예를 도시하고 있을 뿐이며, 필요에 따라 일부 구성 요소가 추가되거나 삭제될 수 있다. 나아가, 도 1에 도시된 예시적인 환경의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로써, 복수의 구성 요소가 실제 물리적 환경에서는 서로 통합되는 형태로 구현될 수도 있음에 유의해야 한다. 예를 들어, 위변조 이미지 판정 장치(100)와 데이터베이스(200)는 동일한 컴퓨팅 장치 내에 서로 다른 로직(logic)의 형태로 구현될 수도 있다.
이하, 도 1에 도시된 개별 구성 요소들에 대해 보다 구체적으로 설명하기로 한다.
위변조 이미지 판정 장치(100)는 데이터베이스(200)에 저장된 원본 이미지를 데이터베이스(200)로부터 수신할 수 있다. 여기서, 원본 이미지는 위변조되지 않은 본래의 이미지를 의미할 수 있다.
위변조 이미지 판정 장치(100)는 사용자 장치(300)로부터 이미지를 수신할 수 있다. 여기서, 사용자 장치(300)에 구비된 카메라 모듈을 통해 촬영된 이미지가 위변조 이미지 판정 장치(100)에 수신될 수 있고, 사용자 장치(300)에 저장된 이미지가 위변조 이미지 판정 장치(100)에 수신될 수도 있다. 이때, 위변조 이미지 판정 장치(100)는 사용자 장치(300)로부터 수신된 이미지의 위변조 여부를 판정할 수 있다.
위변조 이미지 판정 장치(100)는 딥페이크 제작 장치(400)로부터 위변조 이미지를 수신할 수 있다. 즉, 딥페이크 제작 장치(400)의 딥페이크 제작 모듈(410)이 생성한 위변조 이미지가 수신될 수 있다. 이때, 위변조 이미지 판정 장치(100)는 딥페이크 제작 장치(400)로부터 수신된 이미지의 위변조 여부를 판정할 수 있다.
상술한 위변조 이미지 판정 장치(100)는 하나 이상의 컴퓨팅 장치로 구현될 수 있다. 예를 들어, 위변조 이미지 판정 장치(100)의 모든 기능은 단일 컴퓨팅 장치에서 구현될 수 있다. 다른 예로써, 위변조 이미지 판정 장치(100)의 제1 기능은 제1 컴퓨팅 장치에서 구현되고, 제2 기능은 제2 컴퓨팅 장치에서 구현될 수도 있다. 여기서, 컴퓨팅 장치는, 노트북, 데스크톱(desktop), 랩탑(laptop) 등이 될 수 있으나, 이에 국한되는 것은 아니며 컴퓨팅 기능이 구비된 모든 종류의 장치를 포함할 수 있다. 다만, 위변조 이미지 판정 장치(100)에 위변조 이미지를 판정하기 위한 인공 신경망이 구현되어야 하는 환경이라면, 위변조 이미지 판정 장치(100)는 고성능의 서버급 컴퓨팅 장치로 구현되는 것이 바람직할 수 있다. 상술한 컴퓨팅 장치의 일 예에 대해서는 추후 도 12를 참조하여 설명하기로 한다. 또한, 위변조 이미지 판정 장치(100)가 입력 이미지의 위변조 여부 판정을 수행하는 구체적인 방법에 관해서는 추후 명세서의 기재를 통해 구체화될 것이다.
다음으로, 데이터베이스(200)는 복수의 원본 이미지를 저장할 수 있다. 또한, 데이터 베이스(200)는 복수의 원본 이미지 중 적어도 일부 또는 전부를 위변조 이미지 판정 장치(100)에 전송할 수 있다. 여기서, 원본 이미지는 상술한 바와 같이 위변조되지 않은 본래의 이미지를 의미할 수 있다.
원본 이미지와 관련된 몇몇 실시예에서, 원본 이미지는 인비저블 워터마크(Invisible Watermark)가 임베딩된 이미지일 수 있다. 여기서, 인비저블 워터마크는 사람의 육안으로 관찰되지 않는 워터마크를 의미하는 것으로, 컨텐츠에 인비저블 워터마크를 삽입함으로써, 컨텐츠의 보안이 강화될 수 있다. 예를 들어, 데이터베이스(200)에 원본 이미지에 임베딩되는 인비저블 워터마크 데이터를 암호화된 형태로 저장함으로써, 외부에 인비저블 워터마크 데이터 원본이 유출되는 것을 방지할 수 있다. 다른 예를 들어, 워터마크 임베딩 소프트웨어 실행 파일 내에 리소스(resource)의 형태로 워터마크 데이터를 포함시킴으로써, 외부에 워터마크 데이터 원본이 유출되는 것을 방지할 수도 있다. 즉, 워터마크 데이터 원본이 외부에 유출되는 것을 방지함으로써, 컨텐츠(e.g. 이미지)에서 워터마크가 감지되면 컨텐츠를 위변조되지 않은 컨텐츠로 판정할 수 있다.
원본 이미지와 관련된 다른 몇몇 실시예예서, 데이터베이스(200)에 저장된 복수의 원본 이미지 각각에 동일한 워터마크를 임베딩할 수 있다. 또 다른 실시예에서, 데이터베이스(200)에 저장된 복수의 원본 이미지 각각마다 서로 다른 워터마크를 임베딩할 수 있다. 전자의 경우, 단일한 워터마크를 이용할 수 있다는 점에서 리소스를 절약할 수 있는 반면, 후자의 경우, 복수의 원본 이미지 각각마다 서로 다른 워터마크가 적용될 수 있다는 점에서 보안이 강화될 수 있다. 상술한 기재를 참조하면, 복수의 원본 이미지에 임베딩될 워터마크의 개수는 얼마든지 달라질 수 있음이 이해될 수 있다.
다음으로, 사용자 장치(300)는 이미지를 촬영하여, 위변조 이미지 판정 장치(100)에 전송할 수 있다. 또한, 사용자 장치(300)는 저장된 이미지를 위변조 이미지 판정 장치(100)에 전송할 수도 있다. 다만, 상술한 예시들에 본 발명이 한정되는 것은 아니고, 사용자 장치(300)는 웹을 통해 재생하고 있는 컨텐츠를 위변조 이미지 판정 장치(100)에 전송하는 등 다양한 방식을 통해 위변조 이미지 판정 장치(100)에 컨텐츠를 전송할 수 있음을 유의해야 한다. 여기서, 컨텐츠는 이미지 및 영상을 포함할 수 있다. 예를 들어, 영상은 영상 그 자체로 위변조 이미지 판정 장치(100)에 전송될 수 있으나, 이에 한정되는 것은 아니고, 영상을 기준 규칙에 따라 스크린샷한 이미지가 위변조 이미지 판정 장치(100)에 전송될 수도 있다.
사용자 장치(300)는 노트북, 데스크톱(Desktop, 300a), 랩탑(Laptop), 스마트폰(300b) 및 테블릿(Tablet, 300c) 등이 될 수 있으나, 이에 국한되는 것은 아니며 컴퓨팅 기능이 구비된 모든 종류의 장치를 포함할 수 있다.
다음으로, 딥페이크 제작 장치(400)는 원본 이미지를 위변조할 수 있다. 여기서, 딥페이크(Deepfake)란 인공 지능을 이용한 이미지 합성 기술을 의미할 수 있다. 도 1에 예시된 바와 같이, 딥페이크 제작 장치(400)의 딥페이크 제작 모듈(410)은 원본 이미지에 기초하여 위변조 이미지를 생성할 수 있고, 딥페이크 판정 모듈(420)은 딥페이크 제작 모듈(410)이 생성한 위변조 이미지 및 원본 이미지를 반복하여 판정할 수 있다.
딥페이크 제작 모듈(410)은 딥페이크 판정 모듈(420)이 생성된 위변조 이미지를 원본 이미지로 판정하도록 지속적으로 학습될 수 있고, 딥페이크 판정 모듈(420)은 위변조 이미지를 위변조 이미지로 판정하고, 원본 이미지를 원본 이미지로 판정하도록 지속적으로 학습될 수 있다. 즉, 대립적인 모델이 상호 견제를 통해 학습됨으로써, 딥페이크 제작 모듈(410) 및 딥페이크 판정 모듈(420) 각각의 성능의 향상이 극대화될 수 있다. 예를 들어, 딥페이크 제작 장치(400)는 GAN(Generative Adversarial Network) 모델을 통해 구현될 수 있으며, 이와 관련된 보다 구체적인 설명은 추후 도 10 및 도 11을 참조하여 설명하기로 한다.
상술한 딥페이크 제작 장치(400)는 노트북, 데스크톱(desktop), 랩탑(laptop) 등이 될 수 있으나, 이에 국한되는 것은 아니며 컴퓨팅 기능이 구비된 모든 종류의 장치를 포함할 수 있다. 다만, 딥페이크 제작 장치(400)에 위변조 이미지를 생성하기 위한 인공 신경망 및 위변조 이미지를 판정하기 위한 구별되는 인공 신경망이 구현되어야 하는 환경이라면, 딥페이크 제작 장치(400)는 고성능의 서버급 컴퓨팅 장치로 구현되는 것이 바람직할 수 있다.
한편, 도 1에 도시된 각 구성 요소는 소프트웨어(Software) 또는, FPGA(Field Programmable Gate Array)나 ASIC(Application-Specific Integrated Circuit)과 같은 하드웨어(Hardware)를 의미할 수 있다. 그렇지만, 구성 요소들은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 어드레싱(Addressing)할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 구성 요소들 안에서 제공되는 기능은 더 세분화된 구성 요소에 의하여 구현될 수 있으며, 복수의 구성 요소들을 합하여 특정한 기능을 수행하는 하나의 구성 요소로 구현될 수도 있다.
몇몇 실시예에서, 위변조 이미지 판정 장치(100)는 상술한 딥페이크 제작 장치(400)와 마찬가지로 GAN 모델 등을 통해 구현될 수도 있다. 즉, 위변조 이미지 판정 장치(100)는 GAN 모델의 식별기(Discriminator)로 구현될 수도 있다.
몇몇 실시예에서, 위변조 이미지 판정 장치(100)는 네트워크를 통해 다른 구성요소들과 통신할 수 있다. 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 이동 통신망(mobile radio communication network), Wibro(Wireless Broadband Internet) 등과 같은 모든 종류의 유/무선 네트워크로 구현될 수 있다.
지금까지 도 1을 참조하여 본 발명의 일 실시예에 따른 위변조 이미지 판정 장치(100)가 적용될 수 있는 예시적인 환경에 대하여 설명하였다. 이하에서는, 도 2 내지 도 11을 참조하여 본 발명의 다른 실시예에 따른 위변조 이미지 판정 방법에 대하여 설명하기로 한다.
도 2 및 도 3은 본 발명의 다른 실시예에 따른 위변조 이미지 판정 방법을 나타내는 예시적인 흐름도이다. 단, 이는 본 발명의 목적을 달성하기 위한 바람직한 실시예일뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.
도 2 및 도 3에 도시된 방법의 각 단계는 컴퓨팅 장치에 의해 수행될 수 있다. 다시 말하면, 방법의 각 단계는 컴퓨팅 장치의 프로세서에 의해 실행되는 하나 이상의 인스트럭션들로 구현될 수 있다. 방법에 포함되는 모든 단계는 하나의 물리적인 컴퓨팅 장치에 의하여 실행될 수도 있을 것이나, 방법의 제1 단계들은 제1 컴퓨팅 장치에 의하여 수행되고, 방법의 제2 단계들은 제2 컴퓨팅 장치에 의하여 수행될 수도 있다. 이하에서는, 방법의 각 단계가 도 1에 예시된 위변조 이미지 판정 장치(100)에 의해 수행되는 것을 가정하여 설명을 이어가도록 한다. 다만, 설명의 편의상, 방법들에 포함되는 각 단계의 동작 주체는 그 기재가 생략될 수도 있다.
도 2를 참조하면 단계 S100에서, 입력 이미지에 임베딩된 워터마크가 감지될 수 있다. 여기서, 입력 이미지는 도 1을 참조하여 설명된 바와 같이, 사용자 장치에 의해 수신된 이미지일 수 있고, 딥페이크 제작 장치에 의해 수신된 이미지일 수도 있다. 워터마크 임베딩과 관련된 보다 구체적인 설명을 위해 도 7을 참조하여 설명하기로 한다.
도 7은 본 발명의 몇몇 실시예에서 참조될 수 있는 인비저블 워터마크(Invisible Watermark)를 설명하기 위한 예시적인 도면이다. 도 7에 도시된 바와 같이, 워터마크가 임베딩된 이미지(30)는 오리지널 이미지(20)와 육안상으로 크게 다른 점이 없다는 점이 확인될 수 있다.
워터마크 임베딩을 보다 구체적으로 설명하면, 워터마크가 임베딩된 이미지(30)는, FFT(Fast Fourier Transform) 알고리즘에 기초하여 변환된 오리지널 이미지(20)의 주파수 도메인에서 워터마크 데이터(10)를 삽입한 후 FFT의 역변환을 통해 생성될 수 있다. 도 1을 참조하여 설명한 바와 같이, 워터마크 데이터(10)는 시스템 내부에서 보안이 유지되어 관리되고, 임베딩 동작을 역으로 수행함으로써, 워터마크가 감지될 수 있다. 워터마크 임베딩(i.e. 인코딩) 및 워터마크 디코딩과 관련된 모든 공지 기술이 본 발명에 따른 몇몇 실시예들에 적용될 수 있음을 유의해야 한다. 다시 도 2를 참조하여 설명하기로 한다.
입력 이미지에 워터마크가 감지되면(S200) 단계 S300에서, 데이터베이스에 저장된 복수의 원본 이미지 중 입력 이미지와의 유사도가 기준치 이상인 원본 이미지가 존재하는지 여부가 판정될 수 있다. 본 실시예에 따르면, 워터마크를 이용한 위변조 이미지 판정에 더해, 데이터베이스에 저장된 원본 이미지와 입력 이미지의 비교를 통해서 보다 정확하게 위변조 이미지를 판정할 수 있다. 보다 구체적인 설명을 위해 도 4를 참조하여 설명하기로 한다.
도 4를 참조하면, 단계 S310에서 입력 이미지와 데이터베이스에 저장된 복수의 원본 이미지 각각의 유사도가 산출될 수 있으며, 단계 S320에서 산출된 유사도가 최대인 원본 이미지의 유사도가 기준치 이상인지 판정될 수 있다.
단계 S310과 관련된 몇몇 실시예에서, 복수의 원본 이미지 각각의 히스토그램과 입력 이미지의 히스토그램을 비교함으로써, 입력 이미지와 복수의 원본 이미지 각각의 유사도가 산출될 수 있다. 다만, 각각의 이미지의 히스토그램을 비교하여 유사도를 산출하는 방법 외에도 이미지 사이의 유사도를 산출할 수 있는 모든 공지된 방법이 본 발명에 따른 몇몇 실시예에 적용될 수 있다. 예를 들어, ResNet(Residual Neural Network) 알고리즘이 적용될 수도 있다. 다시 도 2를 참조하여 설명하기로 한다.
유사도가 기준치 이상인 원본 이미지가 존재하면(S400), 단계 S500에서 입력 이미지에 대한 OOD(Out-Of-Distribution) 탐지가 수행될 수 있다. 여기서, OOD 탐지는, 원본 이미지의 분포를 In-Distribution 데이터로 정의하면, 그 외의 이미지의 분포를 Out-Of-Distribution 데이터로 판정하는 탐지 방법을 의미할 수 있다. 즉, OOD 탐지 방법은, 원본 이미지를 이용하여 다중 클래스 분류 모델을 학습시켜, 원본 이미지 외의 이미지를 위변조 이미지(i.e. Out-Of-Distribution)로 검출하는 다중 클래스 분류 모델을 이용하는 탐지 방법이다. 본 실시예에 따르면, 워터마크를 이용한 위변조 이미지 판정 및 데이터베이스에 저장된 이미지와의 유사도 산출을 이용한 위변조 이미지 판정에 더해, OOD 탐지를 통해서 보다 더 정확하게 위변조 이미지를 판정할 수 있다. 보다 구체적인 설명을 위해 도 8 및 도 9를 참조하여 설명하기로 한다.
도 8은 본 발명의 몇몇 실시예에서 참조될 수 있는 OOD 탐지 동작을 보다 구체적으로 설명하기 위한 예시적인 도면이고, 도 9는 도 8을 참조하여 설명된 OOD 탐지 동작이 이미지에 적용되는 일례를 설명하기 위한 예시적인 도면이다.
예를 들어, 사용자가 마우스로 그린 이미지가 0 내지 9 중 어떤 숫자인지를 예측하는 모델이 있다고 가정할 때, 도 8에는 상술한 모델에 입력될 입력 이미지(40)의 일례를 나타내고 있다. 입력 이미지(40)는 0 내지 9의 숫자와 무관한 그림이므로, 이상적 모델(43)에 입력하면 "Unknown"으로 분류되는 것이 타당하다. 다만, 예시적인 CNN 모델(41)의 경우, 매우 높은 확률로 입력 이미지(40)를 "3"이라는 클래스로 분류했으며, 예시적인 MLP 모델(42)의 경우, 높은 확률로 입력 이미지(40)를 "0"이라는 클래스로 분류했다.
상술한 예시와 같이 입력 이미지가 특정 클래스에 속하지 않는 경우에 "Unknown"이라는 새로운 클래스를 추가하여 분류하는 방법이 있을 수 있겠으나, 이러한 방법은 학습된 인공 신경망을 클래스를 추가하여 다시 학습해야만 하는 문제가 있으며, "Unknown" 클래스에 포함될 학습 데이터들을 다양하게 취득해야만 하는 문제도 있다. 따라서, 새로운 클래스로의 분류 없이도 특정 클래스에 속하지 않는 경우를 판정해낼 수 있는 기술로써, OOD 탐지가 활용될 수 있다.
OOD 탐지에는 일종의 다중 클래스 분류 방법, 예를 들어, Softmax 알고리즘이 이용됨으로써, 신뢰도 높게 클래스가 분류될 수 있다. 보다 구체적으로 설명하면, Softmax 알고리즘은 입력 이미지가 복수의 클래스 각각에 속할 확률을 출력하고, 복수의 클래스 각각에 속할 확률 중 최대 확률(Maximum Softmax Probability)을 미리 정한 기준 수치와 비교함으로써, 미리 결정된 복수의 클래스 중 어느 한 클래스에 속하지 않는 경우를 판정해낼 수 있다. 이러한 판정의 근거는, 입력 데이터가 Out-Of-Distribution 데이터일 때의 최대 확률이 입력 데이터가 In-Distribution 데이터일 때의 최대 확률에 비해 일반적으로 작은 경향을 가지는 점에 기인한 것이다. 예를 들어, 최대 확률이 기준 수치보다 작을 경우, 입력 데이터를 Out-Of-Distribution 데이터(i.e. 위변조 이미지)로 판정할 수 있다. 다른 예를 들어, 최대 확률이 기준 수치보다 클 경우, 입력 데이터를 In-Distribution 데이터(i.e. 원본 이미지)로 판정할 수 있다.
도 9에는 원본 이미지(50) 및 그 외의 이미지(51)가 도시된다. 이때, 원본 이미지(50)를 이용하여 다중 클래스 분류 모델을 학습시켜, 원본 이미지 외의 이미지(51)를 다중 클래스에 포함되지 않은 새로운 클래스인 위변조 이미지 클래스로 분류함으로써, 원본 이미지 외의 이미지(51)를 위변조 이미지로 분류할 수 있다. 도 8 및 도 9에서 설명된 구체적인 예시에 본 발명이 한정되는 것은 아니고, 본 발명의 몇몇 실시예에서 적용될 수 있는 다중 클래스 분류 방법은 공지된 모든 방법이 적용될 수 있음을 유의해야 한다. 단계 S500과 관련된 보다 구체적인 설명을 위해 도 5 및 도 6을 참조하여 설명하기로 한다.
도 5의 단계 S510에서, 원본 이미지를 기초로 결정된 복수의 클래스와 입력 이미지와의 관련도가 기준 수치 이상인 클래스가 존재하는지 여부가 판정될 수 있고, 관련도가 기준 수치 이상인 클래스가 존재하면(S520), 단계 S530에서 입력 이미지가 원본 이미지로 판정될 수 있다. 또한, 관련도가 기준 수치 이상인 클래스가 존재하지 않으면(S530), 입력 이미지가 위변조 이미지로 판정될 수 있다. 도 6을 참조하여 단계 S510을 보다 구체적으로 설명하면, 단계 S511에서 입력 이미지와 복수의 클래스 각각의 관련도가 산출되고, 단계 S512에서 산출된 관련도가 최대인 클래스의 관련도가 기준 수치 이상인지 판정된다.
단계 S511과 관련된 몇몇 실시예에서, 관련도는 Softmax 알고리즘을 이용하여, 입력 이미지가 복수의 클래스 각각에 속할 확률을 의미할 수 있고, 관련도가 최대인 클래스의 관련도는, 산출된 확률이 최대인 클래스의 확률을 의미할 수 있다.
다시 도 2를 참조하여 설명하기로 한다.
유사도가 기준치 이상인 원본 이미지가 존재하지 않으면(S400), 단계 S600에서 데이터베이스에 존재하지 않은 원본 이미지에 워터마크 데이터가 임베딩된 것으로 판단되어, 워터마크가 업데이트될 수 있다. 즉, 워터마크 데이터가 유출된 것으로 판단함으로써, 원본 이미지에 대한 보안의 강도가 상향될 수 있다. 예를 들어, 워터마크가 업데이트될 수 있으며, 복수의 원본 이미지에 적용될 워터마크의 개수가 증가될 수도 있다. 본 실시예에 따르면, 위변조 이미지 판정의 결과에 기초하여 원본 이미지에 대한 보안의 강도가 상향됨으로써, 이미지의 위변조 공격에 보다 유연하게 대응할 수 있다.
다음으로 도 3을 참조하면, 입력 이미지에 워터마크가 감지되지 않으면(S200) 단계 S210에서, 데이터베이스에 저장된 복수의 원본 이미지 중 입력 이미지와의 유사도가 기준치 이상인 원본 이미지가 존재하는지 여부가 판정된다. 단계 S210의 구체적인 동작은 단계 S300과 관련된 설명을 참조하면 이해될 수 있을 것이다.
유사도가 기준치 이상인 원본 이미지가 존재하면(S220), 단계 S230에서 OOD 탐지 결과, In-Distribution 데이터이면, 워터마크가 임베딩되지 않은 원본 이미지로 판정될 수 있다. 또한, OOD 탐지 결과, Out-Of-Distribution 데이터이면, 위변조 이미지로 판정될 수 있다.
유사도가 기준치 이상인 원본 이미지가 존재하지 않으면(S220), 입력 이미지는 워터마크가 감지되지 않고, 원본 이미지와의 유사도도 낮은 이미지로 판단된 것으로써, 위변조 이미지 판정의 대상이 아닌 이미지로 결정될 수 있다.
이상, 도 2 및 도 3을 참조하여 설명한 본 발명의 다른 실시예에 따른 위변조 이미지 판정 방법에 따르면, 위변조 이미지가 신뢰도 높게 판정될 수 있다. 특히, 위변조 이미지와 관련된 다양한 시나리오에 대비하여, 위변조 이미지를 판정할 수 있다. 예를 들어, 딥페이크 제작 장치가 워터마크가 임베딩된 원본 이미지를 위변조하여 워터마크가 변형된 경우에는, 단계 S230을 참조하여 설명된 동작에 의해 위변조 이미지가 판정될 수 있다. 다른 예를 들어, 딥페이크 제작 장치가 워터마크를 추출하여 위변조 이미지에 그대로 워터마크를 임베딩한 경우라도, 단계 S500을 참조하여 설명된 동작에 의해 위변조 이미지가 판정될 수 있다. 나아가, 위변조 이미지 판정 결과에 기초하여, 워터마크의 유출을 스스로 판단하여 보안 강도를 상향시킴으로써, 위변조 이미지에 적응적으로 대응할 수도 있다.
도 10 및 도 11은 본 발명의 몇몇 실시예에서 참조될 수 있는 GAN 모델을 설명하기 위한 예시적인 도면이다. 도 1을 참조하여 설명된 바와 같이, 딥페이크 제작 장치를 구현하기 위해 GAN 모델이 이용될 수 있다. 또한, 위변조 이미지 판정 장치를 구현하기 위해 GAN 모델의 식별기(Discriminator)가 이용될 수도 있다.
도 10 및 도 11에 도시된 GAN 모델을 구체적으로 설명하면, 생성기(Generator, 60)는 랜덤 노이즈(Z, 61)를 이용하여, 위변조 이미지(62)를 생성할 수 있고, 식별기(Discriminator, 70)는 원본 이미지(71) 및 위변조 이미지(62) 각각을 원본 이미지인지 또는 위변조 이미지인지 판정(72)할 수 있다. 도 10은 식별기(70)의 학습 과정을 나타낸 것으로써, 생성기(60)의 파라미터를 고정시키고 원본 이미지(71)와 위변조 이미지(62)를 식별기(70)에 입력함으로써, 식별기(70)의 학습이 진행된다. 도 11은 생성기(60)의 학습 과정을 나타낸 것으로써, 식별기(70)의 파라미터를 고정시키고, 위변조 이미지(62)를 식별기(70)에 입력한 판정(72)의 결과를 이용함으로써, 생성기(60)의 학습이 진행된다. 즉, 대립적인 모델이 상호 견제를 통해 학습됨으로써, 식별기(70) 및 생성기(60) 각각의 성능의 향상이 극대화될 수 있다. 다만, 위변조 이미지 판정을 위한 학습 방법으로써 GAN 모델에 본 발명이 한정되는 것은 아니고, GAN 모델 이외에도 GAN 모델의 성능을 향상시킨 WGAN(Wasserstein GAN) 및 WGAN-GP 등을 포함하는 모든 공지된 방법이 본 발명에 적용될 수 있음을 유의해야 한다.
이하, 도 12를 참조하여 본 발명의 일 실시예에 따른 위변조 이미지 판정 장치를 구현할 수 있는 예시적인 컴퓨팅 장치(1500)를 보다 구체적으로 설명하기로 한다.
컴퓨팅 장치(1500)는 하나 이상의 프로세서(1510), 버스(1550), 통신 인터페이스(1570), 프로세서(1510)에 의하여 수행되는 컴퓨터 프로그램(1591)을 로드(load)하는 메모리(1530)와, 컴퓨터 프로그램(1591)을 저장하는 스토리지(1590)를 포함할 수 있다. 다만, 도 12에는 본 발명의 실시예와 관련 있는 구성 요소들 만이 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 12에 도시된 구성 요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.
프로세서(1510)는 컴퓨팅 장치(1500)의 각 구성의 전반적인 동작을 제어한다. 프로세서(1510)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다. 또한, 프로세서(1510)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(1500)는 하나 이상의 프로세서를 구비할 수 있다.
메모리(1530)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(1530)는 본 발명의 실시예들에 따른 방법을 실행하기 위하여 스토리지(1590)로부터 하나 이상의 프로그램(1591)을 로드 할 수 있다. 메모리(1530)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 발명의 기술적 범위가 이에 한정되는 것은 아니다.
버스(1550)는 컴퓨팅 장치(1500)의 구성 요소 간 통신 기능을 제공한다. 버스(1550)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
통신 인터페이스(1570)는 컴퓨팅 장치(1500)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(1570)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(1570)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.
몇몇 실시예들에 따르면, 통신 인터페이스(1570)는 생략될 수도 있다.
스토리지(1590)는 상기 하나 이상의 프로그램(1591)과 각종 데이터를 비임시적으로 저장할 수 있다.
스토리지(1590)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
컴퓨터 프로그램(1591)은 메모리(1530)에 로드 될 때 프로세서(1510)로 하여금 본 발명의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(1510)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 발명의 다양한 실시예에 따른 방법/동작들을 수행할 수 있다.
위와 같은 경우, 컴퓨팅 장치(1500)를 통해 본 발명의 일 실시예에 따른 위변조 이미지 판정 장치가 구현될 수 있다.
지금까지 도 1 내지 도 12를 참조하여 본 발명의 다양한 실시예들 및 그 실시예들에 따른 효과들을 언급하였다. 본 발명의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 명세서의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
지금까지 도 1 내지 도 12를 참조하여 설명된 본 발명의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.
이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.
도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행 되어야만 하거나 또는 모든 도시 된 동작들이 실행 되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 발명이 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (5)
- 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
제1 이미지를 입력받는 단계;
상기 제1 이미지에 대한 OOD(Out-Of-Distribution) 탐지를 수행하는 단계; 및
상기 제1 이미지에 대한 OOD 탐지의 수행 결과와, 복수의 원본 이미지와의 비교 결과를 이용하여, 상기 제1 이미지가 위변조 이미지인지의 여부를 판정하는 단계를 포함하는,
위변조 이미지 판정 방법. - 제1 항에 있어서,
상기 OOD 탐지를 수행하는 단계는,
상기 복수의 원본 이미지에 기초하여 결정된 복수의 클래스와 상기 제1 이미지와의 관련도가 기준치 이상인 클래스가 존재하는지 여부를 판정하는 단계를 포함하는,
위변조 이미지 판정 방법. - 제2 항에 있어서,
상기 제1 이미지에 대한 OOD 탐지의 수행 결과와, 복수의 원본 이미지와의 비교 결과를 이용하여, 상기 제1 이미지가 위변조 이미지인지의 여부를 판정하는 단계는,
상기 관련도의 판정 결과, 상기 제1 이미지와의 관련도가 기준 수치 이상인 클래스가 존재하면, 상기 제1 이미지가 위변조 이미지가 아닌 것으로 판정하는 단계를 포함하는,
위변조 이미지 판정 방법. - 제1 항에 있어서,
상기 제1 이미지는,
딥페이크 이미지인,
위변조 이미지 판정 방법. - 제4 항에 있어서,
상기 딥페이크 이미지는,
위변조에 의하여 변형된 워터마크를 포함하는 이미지인 것인,
위변조 이미지 판정 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230051941A KR102631954B1 (ko) | 2021-04-19 | 2023-04-20 | Ood 탐지 기반 위변조 이미지 판정 방법 및 그 장치 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210050342A KR102525486B1 (ko) | 2021-04-19 | 2021-04-19 | Ood 탐지 기반 위변조 이미지 판정 방법 및 그 장치 |
KR1020230051941A KR102631954B1 (ko) | 2021-04-19 | 2023-04-20 | Ood 탐지 기반 위변조 이미지 판정 방법 및 그 장치 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210050342A Division KR102525486B1 (ko) | 2021-04-19 | 2021-04-19 | Ood 탐지 기반 위변조 이미지 판정 방법 및 그 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20230066278A KR20230066278A (ko) | 2023-05-15 |
KR102631954B1 true KR102631954B1 (ko) | 2024-01-31 |
Family
ID=83784321
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210050342A KR102525486B1 (ko) | 2021-04-19 | 2021-04-19 | Ood 탐지 기반 위변조 이미지 판정 방법 및 그 장치 |
KR1020230051941A KR102631954B1 (ko) | 2021-04-19 | 2023-04-20 | Ood 탐지 기반 위변조 이미지 판정 방법 및 그 장치 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210050342A KR102525486B1 (ko) | 2021-04-19 | 2021-04-19 | Ood 탐지 기반 위변조 이미지 판정 방법 및 그 장치 |
Country Status (1)
Country | Link |
---|---|
KR (2) | KR102525486B1 (ko) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8004576B2 (en) * | 2008-10-31 | 2011-08-23 | Digimarc Corporation | Histogram methods and systems for object recognition |
KR101178855B1 (ko) * | 2010-05-03 | 2012-09-03 | 남궁종 | 홍채 인식 시스템, 그 방법 및 이를 이용한 무선 통신 장치 보안 시스템 |
KR102286468B1 (ko) | 2019-01-23 | 2021-08-06 | 건국대학교 산학협력단 | 딥 러닝을 통해 생성된 가짜 동영상의 무결성 검증 방법 및 시스템 |
-
2021
- 2021-04-19 KR KR1020210050342A patent/KR102525486B1/ko active IP Right Grant
-
2023
- 2023-04-20 KR KR1020230051941A patent/KR102631954B1/ko active IP Right Grant
Also Published As
Publication number | Publication date |
---|---|
KR20230066278A (ko) | 2023-05-15 |
KR102525486B1 (ko) | 2023-05-02 |
KR20220144101A (ko) | 2022-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664880B (zh) | 活性测试方法和设备 | |
US11163860B2 (en) | Protecting deep learning models using watermarking | |
US20190354896A1 (en) | Information processing apparatus, information processing method, and computer-readable storage medium | |
Hashemi et al. | Visual malware detection using local malicious pattern | |
KR102008290B1 (ko) | 영상에서 객체의 행동을 인식하는 방법 및 그 장치 | |
WO2021047482A1 (en) | Method and system for performing steganographic technique | |
US10789551B2 (en) | Method for training and testing data embedding network to generate marked data by integrating original data with mark data, and training device and testing device using the same | |
US20210319090A1 (en) | Authenticator-integrated generative adversarial network (gan) for secure deepfake generation | |
CN113360912A (zh) | 恶意软件检测方法、装置、设备及存储介质 | |
JP7268368B2 (ja) | 学習装置、学習方法および学習プログラム | |
JP2017004123A (ja) | 判定装置、判定方法および判定プログラム | |
EP3855357A1 (en) | Image processing method and apparatus using neural network | |
US20200151481A1 (en) | Method and apparatus with image recognition | |
US20230222762A1 (en) | Adversarially robust visual fingerprinting and image provenance models | |
US20220156888A1 (en) | Method and apparatus with image recognition | |
KR102631954B1 (ko) | Ood 탐지 기반 위변조 이미지 판정 방법 및 그 장치 | |
KR20220043340A (ko) | 건물 하자 이미지 생성 장치 및 방법 | |
KR102387061B1 (ko) | 다종 콘텐츠 환경에서 딥러닝 기반의 이미지를 탐지하기 위한 장치 및 이를 위한 방법 | |
Lim et al. | Metamorphic testing-based adversarial attack to fool deepfake detectors | |
Chen et al. | A tunable bound of the embedding level for reversible data hiding with contrast enhancement | |
Zhong et al. | Steganographer detection via multi-scale embedding probability estimation | |
KR102592718B1 (ko) | 노이즈 부가를 이용한 위변조 이미지 판정 방법 및 그 장치 | |
KR20210085491A (ko) | 다종 콘텐츠 저작권 보호를 위한 딥러닝 기반 워터마킹 시스템 및 이를 위한 방법 | |
CN113793396A (zh) | 一种基于对抗生成网络训练图像重构模型的方法 | |
Shibel et al. | Deep learning detection of facial biometric presentation attack |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
E701 | Decision to grant or registration of patent right |