本發(fā)明涉及信息安全，尤其涉及一種圖像真?zhèn)螜z測模型訓(xùn)練方法和圖像真?zhèn)螜z測方法。

背景技術(shù)：

1、針對生成式人工智能（generative?artificial?intelligence，gai）的濫用或惡意流量數(shù)據(jù)的注入而導(dǎo)致數(shù)據(jù)真?zhèn)舞b別難這一技術(shù)問題，一般是采用人工智能技術(shù)進行解決。例如，采用圖像或文本識別模型對圖像或文本進行真?zhèn)巫R別。

2、但是，這種深度學(xué)習(xí)模型通常需要大量的標(biāo)注數(shù)據(jù)進行訓(xùn)練。此外，針對已知的特定偽造手段而生成的數(shù)據(jù)進行識別的準(zhǔn)確率高，但是對于未知偽造方法時泛化能力不足。而且，這種模型對圖像壓縮等常見擾動的魯棒性不足。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種圖像真?zhèn)螜z測模型訓(xùn)練方法、圖像真?zhèn)螜z測方法、圖像真?zhèn)螜z測模型訓(xùn)練裝置、電子設(shè)備和存儲介質(zhì)，能夠解決以上至少一個技術(shù)問題。

2、根據(jù)本發(fā)明的一方面，提供了一種圖像真?zhèn)螜z測模型訓(xùn)練方法，包括：

3、采用偽造算法類型分類器和數(shù)據(jù)真?zhèn)畏诸惼?，對第一圖像樣本中各個圖像特征分別進行初步分類，得到各個所述圖像特征的偽造算法類型分類結(jié)果和真?zhèn)畏诸惤Y(jié)果；

4、基于各個所述圖像特征的偽造算法類型分類結(jié)果和真?zhèn)畏诸惤Y(jié)果，對各個所述圖像特征進行解耦并再次分類，得到語義特征集、偽造算法特有特征集和偽造算法通用特征集；

5、基于所述偽造算法特有特征集與所述偽造算法通用特征集之間的特征區(qū)別，確定所述偽造算法通用特征集中的標(biāo)志性特征；

6、基于所述偽造算法通用特征集中的非標(biāo)志性特征，在所述偽造算法通用特征集中對所述標(biāo)志性特征進行變異，得到變異后的所述偽造算法通用特征集；

7、基于所述語義特征集，所述偽造算法特有特征集，以及變異后的所述偽造算法通用特征集，確定變異圖像特征集；

8、對所述變異圖像特征集進行解碼，得到第二圖像樣本；

9、基于各個所述圖像特征的偽造算法類型分類結(jié)果和真?zhèn)畏诸惤Y(jié)果，以及所述第一圖像樣本與所述第二圖像樣本的區(qū)別，確定本次訓(xùn)練損失；

10、在所述本次訓(xùn)練損失符合預(yù)設(shè)的損失條件的情況下，停止執(zhí)行以上訓(xùn)練步驟，并基于所述數(shù)據(jù)真?zhèn)畏诸惼?，確定目標(biāo)圖像真?zhèn)螜z測模型。

11、根據(jù)本發(fā)明的另一方面，提供了一種圖像真?zhèn)螜z測方法，包括：

12、響應(yīng)于針對目標(biāo)圖像的圖像檢測請求，基于目標(biāo)圖像真?zhèn)螜z測模型，對所述目標(biāo)圖像進行圖像檢測，得到所述目標(biāo)圖像是真實圖像或偽造圖像的圖像檢測結(jié)果；

13、其中，所述目標(biāo)圖像真?zhèn)螜z測模型是根據(jù)本發(fā)明實施例中任一所述圖像真?zhèn)螜z測模型訓(xùn)練方法所訓(xùn)練生成的模型。

14、根據(jù)本發(fā)明的另一方面，提供了一種圖像真?zhèn)螜z測模型訓(xùn)練裝置，包括：

15、初步分類模塊，采用偽造算法類型分類器和數(shù)據(jù)真?zhèn)畏诸惼?，對第一圖像樣本中各個圖像特征分別進行初步分類，得到各個所述圖像特征的偽造算法類型分類結(jié)果和真?zhèn)畏诸惤Y(jié)果；

16、解耦分類模塊，用于基于各個所述圖像特征的偽造算法類型分類結(jié)果和真?zhèn)畏诸惤Y(jié)果，對各個所述圖像特征進行解耦并再次分類，得到語義特征集、偽造算法特有特征集和偽造算法通用特征集；

17、標(biāo)志特征確定模塊，用于基于所述偽造算法特有特征集與所述偽造算法通用特征集之間的特征區(qū)別，確定所述偽造算法通用特征集中的標(biāo)志性特征；

18、特征變異模塊，用于基于所述偽造算法通用特征集中的非標(biāo)志性特征，在所述偽造算法通用特征集中對所述標(biāo)志性特征進行變異，得到變異后的所述偽造算法通用特征集；

19、變異特征集確定模塊，用于基于所述語義特征集，所述偽造算法特有特征集，以及變異后的所述偽造算法通用特征集，確定變異圖像特征集；

20、特征解碼模塊，用于對所述變異圖像特征集進行解碼，得到第二圖像樣本；

21、訓(xùn)練損失確定模塊，用于基于各個所述圖像特征的偽造算法類型分類結(jié)果和真?zhèn)畏诸惤Y(jié)果，以及所述第一圖像樣本與所述第二圖像樣本的區(qū)別，確定本次訓(xùn)練損失；

22、目標(biāo)模型確定模塊，用于在所述本次訓(xùn)練損失符合預(yù)設(shè)的損失條件的情況下，停止執(zhí)行以上訓(xùn)練步驟，并基于所述數(shù)據(jù)真?zhèn)畏诸惼?，確定目標(biāo)圖像真?zhèn)螜z測模型。

23、根據(jù)本發(fā)明的另一方面，提供了一種電子設(shè)備，包括：

24、至少一個處理器；以及

25、與該至少一個處理器通信連接的存儲器；其中，

26、該存儲器存儲有可被該至少一個處理器執(zhí)行的指令，該指令被該至少一個處理器執(zhí)行，以使該至少一個處理器能夠執(zhí)行本發(fā)明實施例中任一圖像真?zhèn)螜z測模型訓(xùn)練方法和圖像真?zhèn)螜z測方法。

27、根據(jù)本發(fā)明的另一方面，提供了一種存儲有計算機指令的非瞬時計算機可讀存儲介質(zhì)，其中，該計算機指令用于使該計算機執(zhí)行根據(jù)本發(fā)明實施例中任一圖像真?zhèn)螜z測模型訓(xùn)練方法和圖像真?zhèn)螜z測方法。

28、采用本發(fā)明的技術(shù)方案，通過偽造算法類型分類器和數(shù)據(jù)真?zhèn)畏诸惼鲗⒌谝粓D像樣本中的各個圖像特征解耦為語義特征、偽造算法特有特征和偽造算法通用特征。利用偽造算法特有特征與偽造算法通用特征之間的特征區(qū)別，在偽造算法通用特征中的標(biāo)志性特征，并在偽造算法通用特征中對該標(biāo)志性特征進行變異，得到變異后的偽造算法通用特征，將語義特征、偽造算法特有特征和變異后的偽造算法通用特征進行合集得到變異圖像特征集，對該變異圖像特征集進行解碼重建得到第二圖像樣本。并利用分類結(jié)果和重建結(jié)果確定本次訓(xùn)練損失，以利用這兩個損失對這兩個分類器進行參數(shù)調(diào)整。如此，使得數(shù)據(jù)真?zhèn)畏诸惼髂軌驅(qū)W習(xí)一種在各個不同的偽造算法之間的通用偽造特征，并通過上述的變異過程來增強對通用偽造特征的學(xué)習(xí)效果。最終，將迭代輸出的數(shù)據(jù)真?zhèn)畏诸惼髯鳛槟繕?biāo)圖像真?zhèn)螜z測模型。從而，可以提升圖像真?zhèn)螜z測的準(zhǔn)確性和泛化性。

29、應(yīng)當(dāng)理解，本部分所描述的內(nèi)容并非旨在標(biāo)識本發(fā)明的實施例的關(guān)鍵或重要特征，也不用于限制本發(fā)明的范圍。本發(fā)明的其它特征將通過以下的說明書而變得容易理解。

技術(shù)特征：

1.一種圖像真?zhèn)螜z測模型訓(xùn)練方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，第一模型包括編碼器、所述偽造算法類型分類器、所述數(shù)據(jù)真?zhèn)畏诸惼骱徒獯a器，所述編碼器用于對所述第一圖像樣本進行編碼以得到各個所述圖像特征，所述解碼器用于對所述變異圖像特征集進行解碼，所述方法還包括：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于各個所述圖像特征的偽造算法類型分類結(jié)果和真?zhèn)畏诸惤Y(jié)果，對各個所述圖像特征進行解耦并再次分類，得到語義特征集、偽造算法特有特征集和偽造算法通用特征集，包括：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述偽造算法特有特征集與所述偽造算法通用特征集之間的特征區(qū)別，確定所述偽造算法通用特征集中的標(biāo)志性特征，包括：

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述偽造算法通用特征集中的非標(biāo)志性特征，在所述偽造算法通用特征集中對所述標(biāo)志性特征進行變異，得到變異后的所述偽造算法通用特征集，包括：

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于各個所述圖像特征的偽造算法類型分類結(jié)果和真?zhèn)畏诸惤Y(jié)果，以及所述第一圖像樣本與所述第二圖像樣本的區(qū)別，確定本次訓(xùn)練損失，包括：

7.一種圖像真?zhèn)螜z測方法，其特征在于，包括：

8.一種圖像真?zhèn)螜z測模型訓(xùn)練裝置，其特征在于，包括：

9.一種電子設(shè)備，其特征在于，包括：

10.一種存儲有計算機指令的非瞬時計算機可讀存儲介質(zhì)，其特征在于，所述計算機指令用于使所述計算機執(zhí)行根據(jù)權(quán)利要求1-7中任一項所述的方法。

技術(shù)總結(jié)
本發(fā)明提供了一種圖像真?zhèn)螜z測模型訓(xùn)練方法和圖像真?zhèn)螜z測方法。實現(xiàn)方案為：通過偽造算法類型分類器和數(shù)據(jù)真?zhèn)畏诸惼鲗D像特征解耦為語義特征、偽造算法特有特征和偽造算法通用特征?；趥卧焖惴ㄌ赜刑卣骱蛡卧焖惴ㄍㄓ锰卣髦g的特征區(qū)別，確定偽造算法通用特征中的標(biāo)志性特征，并在偽造算法通用特征中對該特征進行變異，最后對由語義特征、偽造算法特有特征和變異后的偽造算法通用特征的組合特征進行重建，得到新圖像，以確定本次訓(xùn)練損失，利用這個損失進行參數(shù)調(diào)整。如此，能夠增強數(shù)據(jù)真?zhèn)畏诸惼鲗Ω鱾€偽造算法之間的通用偽造特征的學(xué)習(xí)，使得數(shù)據(jù)真?zhèn)畏诸惼髯鳛槟繕?biāo)圖像真?zhèn)螜z測模型時，可以提高其對圖像真?zhèn)螜z測的準(zhǔn)確性和泛化性。

技術(shù)研發(fā)人員：謝雨彤,玄佳興,王煥娟,王欣楠,周磊,薛文昊,王俊生,王一然
受保護的技術(shù)使用者：國網(wǎng)數(shù)字科技控股有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9