图像篡改检测方法技术

本说明书的实施例提供了一种图像篡改检测方法

【技术实现步骤摘要】
图像篡改检测方法、图像篡改检测模型的训练方法和装置


[0001]本说明书实施例通常涉及计算机
，尤其涉及图像篡改检测方法
、
图像篡改检测模型的训练方法和装置
。

技术介绍

[0002]随着互联网技术的飞速发展，数字图像的产生
、
修改
、
存储和传递也变得非常便利
。
而同时，对于数字媒体内容真伪鉴别的重要性日渐凸显
。
在图像篡改检测
(Image Manipulation Detection
，
IMD)
任务中，广义上的图像篡改可以包括任何对原始图像做了改动的操作，例如图像格式转换
、
高斯模糊
、
接缝剪裁
(seam carving)、
利用
GAN
网络改动等等
。
因而，如何准确高效地进行图像篡改检测具有重要意义
。

技术实现思路

[0003]鉴于上述，本说明书实施例提供了一种图像篡改检测方法
、
图像篡改检测模型的训练方法和装置，可以实现更为准确高效的图像篡改检测
。
[0004]根据本说明书的实施例的一个方面，提供一种图像篡改检测方法，包括：接收待检测图像对应的图像特征表征；将所述待检测图像对应的图像特征表征分别提供给初步篡改检测模型和数据噪声图生成模型，得到所述待检测图像对应的初步篡改检测结果图和数据噪声图；基于所述待检测图像对应的初步篡改检测结果图和数据噪声图，生成所述待检测图像对应的模型不确定性表征图；基于图像精炼模型以及所述数据噪声图
、
所述模型不确定性表征图对所述待检测图像对应的图像特征表征进行处理，得到所述待检测图像对应的篡改检测结果预测图，其中，所述篡改检测结果预测图用于指示所述待检测图像是否被篡改过
。
[0005]根据本说明书的实施例的另一个方面，提供一种图像篡改检测模型的训练方法，所述图像篡改检测模型包括图像特征提取模型
、
初步篡改检测模型
、
数据噪声图生成模型和图像精炼模型，所述方法包括：利用训练样本集循环执行下述模型训练过程，直到满足训练结束条件，所述训练样本集中的每个训练样本包括图像数据和对应的标签数据，标签数据用于指示图像数据是否被篡改：将当前训练样本的图像数据提供给当前图像特征提取模型，得到该当前训练样本对应的图像特征表征；将所得到的当前训练样本的图像特征表征分别提供给当前初步篡改检测模型和当前数据噪声图生成模型，得到该当前训练样本对应的初步篡改检测结果图和数据噪声图；基于所得到的初步篡改检测结果图和数据噪声图，构建该当前训练样本对应的高斯分布空间；根据从所构建的高斯分布空间的采样结果，生成该当前训练样本对应的模型不确定性表征图；根据该当前训练样本对应的初步篡改检测结果图
、
数据噪声图
、
模型不确定性表征图和标签数据，确定该当前训练样本对应的模型
‑
数据不确定性损失值；基于当前图像精炼模型以及所得到的数据噪声图
、
模型不确定性表征图对该当前训练样本对应的图像特征表征进行处理，得到该当前训练样本对应的篡改检测结果预测图；基于该当前训练样本对应的篡改检测结果预测图和标签数据，确定该当前
训练样本对应的预测损失值；基于所得到的模型
‑
数据不确定性损失值和预测损失值，确定当前模型训练过程的总损失值；响应于不满足训练结束条件，根据所确定的总损失值调整当前初步篡改检测模型
、
当前数据噪声图生成模型和当前图像精炼模型的参数，其中，经过模型参数调整后的初步篡改检测模型
、
数据噪声图生成模型和图像精炼模型充当下一模型训练过程的当前初步篡改检测模型
、
当前数据噪声图生成模型和当前图像精炼模型
。
[0006]根据本说明书的实施例的又一个方面，提供一种图像篡改检测装置，包括：图像特征接收单元，被配置为接收用户提供的待检测图像对应的图像特征表征；初步检测单元，被配置为将所述待检测图像对应的图像特征表征分别提供给初步篡改检测模型和数据噪声图生成模型，得到所述待检测图像对应的初步篡改检测结果图和数据噪声图；模型不确定性评估单元，被配置为基于所述待检测图像对应的初步篡改检测结果图和数据噪声图，生成所述待检测图像对应的模型不确定性表征图；篡改检测单元，被配置为基于图像精炼模型以及所述数据噪声图
、
所述模型不确定性表征图对所述待检测图像对应的图像特征表征进行处理，得到所述待检测图像对应的篡改检测结果预测图，其中，所述篡改检测结果预测图用于指示所述待检测图像是否被篡改过
。
[0007]根据本说明书的实施例的再一个方面，提供一种图像篡改检测模型的训练装置，所述图像篡改检测模型包括图像特征提取模型
、
初步篡改检测模型
、
数据噪声图生成模型和图像精炼模型，所述装置被配置为由训练单元利用训练样本集循环执行模型训练过程，直到满足训练结束条件，所述训练样本集中的每个训练样本包括图像数据和对应的标签数据，标签数据用于指示图像数据是否被篡改，所述训练单元包括：特征提取模块，被配置为将当前训练样本的图像数据提供给当前图像特征提取模型，得到该当前训练样本对应的图像特征表征；初步判定模块，被配置为将所得到的当前训练样本的图像特征表征分别提供给当前初步篡改检测模型和当前数据噪声图生成模型，得到该当前训练样本对应的初步篡改检测结果图和数据噪声图；模型不确定估计模块，被配置为基于所得到的初步篡改检测结果图和数据噪声图，构建该当前训练样本对应的高斯分布空间；根据从所构建的高斯分布空间的采样结果，生成该当前训练样本对应的模型不确定性表征图；不确定性损失值确定模块，被配置为根据该当前训练样本对应的初步篡改检测结果图
、
数据噪声图
、
模型不确定性表征图和标签数据，确定该当前训练样本对应的模型
‑
数据不确定性损失值；预测损失值确定模块，被配置为基于当前图像精炼模型以及所得到的数据噪声图
、
模型不确定性表征图对该当前训练样本对应的图像特征表征进行处理，得到该当前训练样本对应的篡改检测结果预测图；基于该当前训练样本对应的篡改检测结果预测图和标签数据，确定该当前训练样本对应的预测损失值；总损失值确定模块，被配置为基于所得到的模型
‑
数据不确定性损失值和预测损失值，确定当前模型训练过程的总损失值；以及所述装置还包括：参数调整单元，被配置为响应于不满足训练结束条件，根据所确定的总损失值调整当前初步篡改检测模型
、
当前数据噪声图生成模型和当前图像精炼模型的参数，其中，经过模型参数调整后的初步篡改检测模型
、
数据噪声图生成模型和图像精炼模型充当下一模型训练过程的当前初步篡改检测模型
、
...

【技术保护点】

【技术特征摘要】
1.
一种图像篡改检测方法，包括：接收待检测图像对应的图像特征表征；将所述待检测图像对应的图像特征表征提供给初步篡改检测模型和数据噪声图生成模型，得到所述待检测图像对应的初步篡改检测结果图和数据噪声图；基于所述待检测图像对应的初步篡改检测结果图和数据噪声图，生成所述待检测图像对应的模型不确定性表征图；基于图像精炼模型以及所述数据噪声图
、
所述模型不确定性表征图对所述待检测图像对应的图像特征表征进行处理，得到所述待检测图像对应的篡改检测结果预测图，其中，所述篡改检测结果预测图用于指示所述待检测图像是否被篡改过
。2.
如权利要求1所述的方法，其中，所述基于所述待检测图像对应的初步篡改检测结果图和数据噪声图，生成所述待检测图像对应的模型不确定性表征图包括：基于所述待检测图像对应的初步篡改检测结果图和数据噪声图，构建所述待检测图像对应的高斯分布空间；根据从所构建的高斯分布空间的采样结果，生成所述待检测图像对应的模型不确定性表征图
。3.
如权利要求2所述的方法，其中，所述根据从所构建的高斯分布空间的采样结果，生成所述待检测图像对应的模型不确定性表征图包括：基于所得到的初步篡改检测结果图和数据噪声图以及从标准高斯分布中采样得到的变量值，确定各个采样结果图；以及对经过归一化处理的所得到的各个采样结果图进行融合，得到所述待检测图像对应的模型不确定性表征图
。4.
如权利要求1到3中任一所述的方法，其中，所述基于图像精炼模型以及所述数据噪声图
、
所述模型不确定性表征图对所述待检测图像对应的图像特征表征进行处理，得到所述待检测图像对应的篡改检测结果预测图包括：根据所述待检测图像对应的数据噪声图和模型不确定性表征图，生成对应的处理因子图；根据所述待检测图像对应的图像特征表征和所生成的处理因子图，得到所述待检测图像对应的精炼特征图；以及将所得到的所述待检测图像对应的精炼特征图提供给图像精炼模型，得到所述待检测图像对应的篡改检测结果预测图
。5.
一种图像篡改检测模型的训练方法，其中，所述图像篡改检测模型包括图像特征提取模型
、
初步篡改检测模型
、
数据噪声图生成模型和图像精炼模型，所述方法包括：利用训练样本集循环执行下述模型训练过程，直到满足训练结束条件，所述训练样本集中的每个训练样本包括图像数据和对应的标签数据，标签数据用于指示图像数据是否被篡改：将当前训练样本的图像数据提供给当前图像特征提取模型，得到该当前训练样本对应的图像特征表征；将所得到的当前训练样本的图像特征表征分别提供给当前初步篡改检测模型和当前数据噪声图生成模型，得到该当前训练样本对应的初步篡改检测结果图和数据噪声图；
基于所得到的初步篡改检测结果图和数据噪声图，构建该当前训练样本对应的高斯分布空间；根据从所构建的高斯分布空间的采样结果，生成该当前训练样本对应的模型不确定性表征图；根据该当前训练样本对应的初步篡改检测结果图
、
数据噪声图
、
模型不确定性表征图和标签数据，确定该当前训练样本对应的模型
‑
数据不确定性损失值；基于当前图像精炼模型以及所得到的数据噪声图
、
模型不确定性表征图对该当前训练样本对应的图像特征表征进行处理，得到该当前训练样本对应的篡改检测结果预测图；基于该当前训练样本对应的篡改检测结果预测图和标签数据，确定该当前训练样本对应的预测损失值；基于所得到的模型
‑
数据不确定性损失值和预测损失值，确定当前模型训练过程的总损失值；响应于不满足训练结束条件，根据所确定的总损失值调整当前初步篡改检测模型
、
当前数据噪声图生成模型和当前图像精炼模型的参数，其中，经过模型参数调整后的初步篡改检测模型
、
数据噪声图生成模型和图像精炼模型充当下一模型训练过程的当前初步篡改检测模型
、
当前数据噪声图生成模型和当前图像精炼模型
。6.
如权利要求5所述的训练方法，其中，所述根据该当前训练样本对应的初步篡改检测结果图
、
数据噪声图
、
模型不确定性表征图和标签数据，确定该当前训练样本对应的模型
‑
数据不确定性损失值包括：根据该当前训练样本对应的初步篡改检测结果图和标签数据，生成该当前训练样本对应的标签差异图；以及根据该当前训练样本对应的模型不确定性表征图和标签差异图之间的差异以及对应的数据噪声图，确定该当前训练样本对应的模型
‑
数据不确定性损失值
。7.
如权利要求5所述的训练方法，其中，所述基于该当前训练...

【专利技术属性】
技术研发人员：暨凯祥，翟淑敏，丁昊智，王剑，陈景东，杨铭，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：