申请/专利权人：浙江大学

申请日：2024-01-19

公开（公告）日：2024-06-21

公开（公告）号：CN117593311B

主分类号：G06T7/00

分类号：G06T7/00;G06N3/0475;G06N3/045;G06N3/094;G06N3/096;G06N3/0455

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.03.12#实质审查的生效;2024.02.23#公开

摘要：本发明公开了一种基于对抗生成网络的深度合成图像检测增强方法及装置，属于图像检测技术领域，包括以下步骤：收集深度合成图像数据集；根据数据集训练真伪检测模型；训练对抗生成网络以提高真伪检测模型对深度合成数据的检测性能；根据真伪检测模型构建包含梯度信息在内新数据集；根据新数据集对第三方真伪检测模型进行重新训练；深度合成服务方使用对抗生成网络对深度合成图片进行增强，使得第三方真伪检测模型以高检测率检测深度合成图片。本发明采用上述的一种基于对抗生成网络的深度合成图像检测增强方法及装置，可以提高对深度合成图片的检测率。

主权项：1.一种基于对抗生成网络的深度合成图像检测增强方法，其特征在于，深度合成图像检测方法分为深度合成图像增强阶段和第三方检测模型训练阶段；其中，深度合成图像增强阶段包括以下步骤：S1、获取深度合成图像数据集D1；S2、从图像数据集D1中随机抽取N个图像数据构成图像数据I1，将图像数据I1进行图像增广操作，得到N个增广后图像；S3、将N个增广后图像输入至真伪图像分类器M1分别进行真伪类别的确定，并计算得到第一真伪分类损失参数；S4、根据第一真伪分类损失参数，以减小总损失为优化目标，采用优化算法对真伪图像分类器M1进行对应参数优化及更新，得到真伪图像分类器M11；S5、对步骤S4得到的真伪图像分类器M11，训练新的自动编码器G1；S6、将图像数据I1分别输入真伪图像分类器M11与自动编码器G1，得到真伪置信度与嵌入扰动P1，对嵌入扰动P1按照上界、下界截断后嵌入图像数据I1得到图像I2；将图像I2截断至0~1之间后输入真伪图像分类器M11，计算得到真伪置信度；S7、根据嵌入扰动P1前后的图片对应的真伪置信度计算检测增强指标参数、第二真伪分类损失参数、扰动幅度损失参数，以减小总损失为优化目标，采用优化算法对自动编码器G1进行对应参数优化及更新；第三方检测模型训练阶段包括以下步骤：S8、根据深度合成图像增强阶段中的真伪图像分类器M11、图像数据集D1，构建蒸馏学习所需的新图像数据集D2，针对数据集中的每张图像It，均计算对于该图片的真假置信度以及该置信度对于图片的梯度矩阵Gradt，构建；S9、选定新的真伪图像分类器M2，根据步骤S8得到的新图像数据集D2对真伪图像分类器M2进行训练，训练轮次为k，计算第三真伪分类损失参数、梯度矩阵损失参数及置信度损失参数，其中，k1；S10、根据第三真伪分类损失参数、梯度矩阵损失参数、置信度损失参数，以减小总损失为优化目标，采用优化算法对真伪图像分类器M2进行对应参数优化及更新。

全文数据：

权利要求：

百度查询： 浙江大学 基于对抗生成网络的深度合成图像检测增强方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD