科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着深度学习方法的发展,深度造假(Deepfake)技术越发成熟。大量近似真实自然的图像涌入人们的生活,在满足个人娱乐兴趣的同时,Deepfake技术的滥用对个人隐私、经济市场乃至国家安全构成了潜在威胁。因此,针对虚假图像的检测方法亟待研究。现有的虚假图像检测技术大多存在准确率低、泛化性差、鲁棒性不足的问题,因此,本文从Deepfake技术的图像生成机制出发,对生成的虚假图像存在缺陷进行分析,并提出了一种基于生成对抗网络的虚假图像检测模型。该模型利用离散傅里叶变换方法将图像从图像域转换到频域,并将U-Net结构和谱归一化引入鉴别器;利用生成对抗网络优异的特征学习和提取能力,实现了虚假图像的模式分类。此外,一种新颖的复合损失函数被提出,以增强模型检测性能。提出的方法分别在7个单独数据集和1个混合数据集上进行实验验证,并采用3种实验指标进行模型性能分析。本文方法在单独数据集上最高可达到100%准确率,最低准确率也可达88.53%;模型检测召回率,精确率和F1分数平均分别可达98.17%,98.25%,98.19%。此外,无论是在混合数据集,还是在模型未知的跨数据集上,提出方法都能获得良好的模型检测性能。即使在图像压缩的情况下,本文方法仍然具有较强的鲁棒性。实验与理论结果表明,与现有先进的虚假图像检测方法相比,本文方法是一种有效且具有良好泛化性和鲁棒性的虚假图像检测方法。
- 单位
