【技术实现步骤摘要】
本专利技术涉及伪造图片鉴别，具体地，涉及一种基于时空分布变化的伪造图片鉴别方法。
技术介绍
1、根据伪造图片鉴别技术的技术路线，鉴别技术可以分为两种。
2、第一，基于任务驱动伪造图片的伪影鉴别。此类鉴别技术借鉴了鉴别任务驱动型伪造图片时的思路，通过识别伪造过程中在空域或者频域空间中留下的伪造痕迹来进行伪造鉴别。
3、第二，基于重建误差的伪造鉴别。此类鉴别技术根据伪造图片与真实图片在重建后的差异进行分类特征建模。通过最大化重建损失的方式构建伪造鉴别模型。
4、然而上述方法仅停留在伪造鉴别的固有经验或者仅将重构作为一种端到端的辅助识别工具。均未能深入分析伪造图片的生成过程，将扩散模型的生成过程视为黑盒操作，限制了全面反映伪造图像生成的深层机制。
技术实现思路
1、针对现有技术仅将伪造图片的重构作为一种端到端的辅助识别工具，未能深入分析伪造图片的生成过程的缺陷，本专利技术的目的是提供一种基于时空分布变化的伪造图片鉴别方法和装置。
2、一种基于时空分布变化的伪造图片鉴别方法，包括:
3、步骤1:获取任务训练数据，将其划分为训练集和验证集；
4、步骤2:采用所述训练数据，使用去噪扩散隐式模型(ddim)去噪采样过程获得相邻噪声图的时序变化数据s；
5、步骤3: 获得每个候选判别因子(dfactor)和时间序列数据s之间的距离，基于kl散度的损失函数从候选dfactor的集合c中获得固定长度为l的最佳dfact
6、步骤4:采用最佳dfactor判别因子将时序变化数据s构建成有向加权的演化图g；
7、步骤5：采用有向加权的演化图g，学习所述时间序列s的特征表示；
8、步骤6：将用特征表示与对应的真假标签作为输入，训练分类器，实现伪造图片鉴别。
9、优选地，步骤1所述的获取任务训练数据是大规模人脸评测数据集deepfacegen和人工智能生成图像检测数据集genimage。
10、优选地，步骤2所述的使用ddim去噪采样过程获得相邻噪声图的时序变化数据s，包括：
11、步骤2-1：在所述训练数据中，利用ddim去噪采样方法将每个待检测图片采样成t个噪声图变化序列，t表示采样时间步；
12、步骤2-2：计算t个噪声图变化序列间相邻噪声图的结构相似性ssim,形成长度为t-1的ssim数值序列s。
13、优选地，步骤3所述的dfactor是时序变化数据s中能够作为区分正常样本与伪造样本的片段。
14、优选地，步骤3所述的候选集dfactor的集合c，包括:
15、将时序变化数据s中每一条数据按照固定长度为l切分，基于贪心算法选择出与距离最近的dfactor，构成集合c。
16、优选地，步骤3所述的获得每个候选dfactor和时间序列数据s之间的距离，基于kl散度的损失函数从候选dfactor的集合c中获得固定长度为l的最佳dfactor判别因子，包括：
17、步骤3-1：计算每个候选dfactor和时间序列之间加权距离；
18、步骤3-2：对所有距离进行加权求和，以获得时间序列的总距离：
19、步骤3-3：基于kl散度构建以正负样本间距离的损失函数，n表示样本的数量，表示局部和全局因子的和，,分别是正负类之间距离的均值和标准差，表示元素正则化；通过kl散度来进行正负样本间的梯度下降最小化损失，以实现最佳dfactor判别因子的提取。
20、优选地，步骤4所述的采用最佳dfactor判别因子将时序变化数据s构建成有向加权的演化图g；包括：
21、，其中包含k个顶点，每个顶点表示一个dfactor，每条有向边关联一个权重，表示在同一时间序列中，dfactor与另一个dfactor相接的发生概率。
22、优选地，步骤5所述的采用有向加权的演化图g，学习所述时间序列s的特征表示，包括：
23、步骤5-1：针对时间序列数据s中的每一条数据，其对应的分配dfactor为，分配概率为，其中t表示输入图的第t个子块，m为分配的dfactor数量；采用图嵌入算法深度游走deepwalk提取每个dfactor的表示向量，并乘以分配概率；
24、步骤5-2：对中每个子分段进行求和。获得了子分段的表示；
25、步骤5-3：将每一条数据所有子片段的嵌入向量连接起来，以获得自身时间序列的表示向量。
26、优选地，步骤6所述的将特征表示与对应的真假标签作为输入，训练分类器，实现伪造图片鉴别，包括:
27、将时序变化数据s的特征表示与对应的真假标签作为xgboost分类器的输入实现分类器的训练，输入待检测的图像至训练好的xgboost模型中，输出所述图像的真假属性。
28、本专利技术的第二个方面涉及一种基于时空分布变化的伪造图片鉴别装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本专利技术的一种基于时空分布变化的伪造图片鉴别方法。
29、本专利技术的创新点是：(1)从时序信息角度剖析扩散生成图片的分别变化机制；(2)通过图结构中连通性变化量化出伪造数据的变化差异。
30、本专利技术的工作原理是：本专利技术对aigc生成图片的重建过程中建模出伪造图片的时空特异性变化，并通过图结构构建出特异性变化的行为模式，依据图结构中的连通性差异完成分类特征的构建，从伪造图片的生成机理出发完成真伪鉴别。
31、与现有方法相比，本专利技术具有如下有益效果：
32、本专利技术的基于时空分布变化的伪造图片鉴别技术创造性地在图片伪造鉴别领域引入时序信息，突破了目前图片伪造鉴别从频域或空域角度解决问题的固有思路。
33、本专利技术的基于时空分布变化的伪造图片鉴别方法，在deepfacegen以及genimage等基准数据集上进行了实验验证，结果显示，其不依赖于预训练加噪模型，在实际应用场景中有很好的泛化能力。
本文档来自技高网...【技术保护点】
1.一种基于时空分布变化的伪造图片鉴别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于时空分布变化的伪造图片鉴别方法，其特征在于，步骤1所述的获取任务训练数据是大规模人脸评测数据集DeepFaceGen和人工智能生成图像检测数据集Genimage。
3.根据权利要求1所述的一种基于时空分布变化的伪造图片鉴别方法，其特征在于，步骤2所述的所述使用DDIM去噪采样过程获得相邻噪声图的时序变化数据S，包括：
4.根据权利要求1所述的一种基于时空分布变化的伪造图片鉴别方法，其特征在于，步骤3所述的DFactor是时序变化数据S中能够作为区分正常样本与伪造样本的片段。
5.根据权利要求4所述的一种基于时空分布变化的伪造图片鉴别方法，其特征在于，步骤3所述的候选集DFactor的集合C，包括:
6.根据权利要求5所述的一种基于时空分布变化的伪造图片鉴别方法，其特征在于，步骤3所述的获得每个候选DFactor和时间序列数据S之间的距离，基于KL散度的损失函数从候选集DFactor的集合C中获得固定长度为L的最佳DFactor
7.根据权利要求1所述的一种基于时空分布变化的伪造图片鉴别方法，其特征在于，步骤4所述的采用最佳DFactor判别因子将时序变化数据S构建成有向加权的演化图G；包括：
8.根据权利要求1所述的一种基于时空分布变化的伪造图片鉴别方法，其特征在于，步骤5所述的采用有向加权的演化图G，学习所述时间序列S的特征表示，包括：
9.根据权利要求1所述的一种基于时空分布变化的伪造图片鉴别方法，其特征在于，步骤6所述的将特征表示与对应的真假标签作为输入，训练分类器，实现伪造图片鉴别，包括:
10.一种基于时空分布变化的伪造图片鉴别装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-9中任一项所述的一种基于时空分布变化的伪造图片鉴别方法。
...【技术特征摘要】
1.一种基于时空分布变化的伪造图片鉴别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于时空分布变化的伪造图片鉴别方法，其特征在于，步骤1所述的获取任务训练数据是大规模人脸评测数据集deepfacegen和人工智能生成图像检测数据集genimage。
3.根据权利要求1所述的一种基于时空分布变化的伪造图片鉴别方法，其特征在于，步骤2所述的所述使用ddim去噪采样过程获得相邻噪声图的时序变化数据s，包括：
4.根据权利要求1所述的一种基于时空分布变化的伪造图片鉴别方法，其特征在于，步骤3所述的dfactor是时序变化数据s中能够作为区分正常样本与伪造样本的片段。
5.根据权利要求4所述的一种基于时空分布变化的伪造图片鉴别方法，其特征在于，步骤3所述的候选集dfactor的集合c，包括:
6.根据权利要求5所述的一种基于时空分布变化的伪造图片鉴别方法，其特征在于，步骤3所述的获得每个候选dfactor和时间序列数...
【专利技术属性】
技术研发人员：冯尊磊，娄恒瑞，申成吉，宋明黎，陈刚，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。