[发明专利]计算机生成图像的检测方法、系统、装置

说明书

本发明属于计算机生成图像、计算机视觉与图像取证领域，具体涉及一种计算机生成图像的检测方法、系统、装置，旨在解决现有计算机生成图像检测模型对模型的训练集非同源的数据检测准确率低的问题。本系统方法包括获取待检测的图像，作为输入图像；基于输入图像，通过计算机生成图像检测模型获取图像检测结果；其中，计算机生成图像检测模型采用基于DCGAN判别模型的CNN网络构建。本发明增强了计算机生成图像检测模型的泛化能力，提高了其对模型的训练集非同源的数据检测的准确率。

技术领域

本发明属于计算机生成图像、计算机视觉与图像取证领域，具体涉及一种计算机生成图像的检测方法、系统、装置。

背景技术

在智能化的时代，数字图像扮演着非常重要的角色。得益于生成对抗网络(GAN)的快速发展，各种基于GAN的技术越来越多，其中，PGGAN和styleGAN是GAN发展历程中比较杰出的生成模型，可以生成人眼几乎无法区分真假的高分辨率的人脸图像。然而，一些不法分子使用GAN生成的人脸图像来注册人脸识别系统，进而使人脸识别系统的安全性受到了威胁。除此之外，基于GAN的换脸软件可以做到很逼真的换脸效果，这直接影响了依赖于图像可信性的行业，例如新闻出版业、法庭取证、保险业等。针对人脸图像的生成和替换，存在着很大的危险性，这使得图像的真实性成为备受关注的问题，因此数字图像取证逐渐成为一个重要的课题。

目前数字图像取证领域已经有一些方法被提出，针对换脸视频的检测技术有CNN-RNN网络自动检测、换脸视频痕迹检测等。可参考文献：(1)David G¨uera and Edward JDelp,“Deepfake video detection using recurrent neural networks,”in IEEEInternational Conference on Advanced Video and Signalbased Surveillance(toappear),2018.(2)Yuezun Li and Siwei Lyu,“Exposing deepfake videos bydetecting face warping artifacts,”arXiv preprint arXiv:1811.00656,2018.针对GAN生成图像的检测有图像转换的检测模型、集合分类器的检测模型、基于弱监督学习的检测模型等，可参考文献：(1)Francesco Marra,Diego Gragnaniello,Davide Cozzolino,and Luisa Verdoliva,“Detection of gangenerated fake images over socialnetworks,”in 2018IEEE Conference on Multimedia Information Processing andRetrieval(MIPR).IEEE,2018,pp.384–389.(2)Shahroz Tariq,Sangyup Lee,HoyoungKim,Youjin Shin,and Simon S Woo,“Detecting both machine and human createdfake face images in the wild,”in Proceedings of the 2nd InternationalWorkshop on Multimedia Privacy and Security.ACM,2018,pp.81–87.(3)DavideCozzolino,Justus Thies,Andreas R¨ossler,Christian Riess,Matthias Nieβner,andLuisa Verdoliva,“Forensictransfer:Weakly-supervised domain adaptation forforgery detection,”arXiv preprint arXiv:1812.02510,2018.

尽管已经存在一些用于检测计算机生成图像的方法，但是现有的这些方法几乎都专门针对一种计算机生成图像的检测，对于其他与训练集非同源的生成图像的检测效果并不可知。因此我们提出一种计算机生成图像的检测方法，可以有效地提升检测模型对与训练集非同源的计算机生成图像的检测性能。