专利交易市场

本发明公开基于QPCET水印的双任务级联主动Deepfake检测方法，涉及图像处理技术领域，包括以下步骤：S1：水印嵌入；原始图像#imgabs0#通过嵌入模块#imgabs1#以无监督的方式进行水印嵌入，使用QPCET系数生成带水印的面部图像#imgabs2#；将人脸图像输入到混合攻击模块，模拟真实的世界中的常规攻击和伪造攻击，得到常规攻击水印图像#imgabs3#和伪造攻击水印图像#imgabs4#；S2：水印提取；S3：优化目标。本发明创新性的将QPCET水印于Deepfake主动检测结合起来，并且设计了一种双任务级联框架，可以对人脸图像进行水印提取与Deepfake检测。

一种基于多模态特征融合的深度伪造音视频细粒度检测方法和装置，包含一个基于多模态特征融合辅以注意力机制的神经网络模型，从单一模态和跨模态两个维度，分别对近距离的特征相似信息和远距离的特征差异信息进行整合分析，输出细粒度检测结果，其方法包括：首先，获取说话人伪造音视频数据集并进行数据预处理，用于模型的训练；然后构建本发明提出的神经网络模型，并训练至拟合；将待检测音视频进行相同的预处理操作后，输入训练完成的神经网络模型进行处理，最后由模型输出细粒度检测结果。本发明能解决对当前说话人深度伪造音视频缺乏精确细粒度检测方法的问题。

本发明公开了一种基于局部异常的强泛化深度伪造人脸检测方法，通过采用二阶局部异常学习模块，从人脸图像的深度特征图中挖掘局部区域的异常，实现对真伪人脸的检测。首先，该模块通过不同方向和距离将局部特征的邻域进行分解，然后利用卷积计算邻域的一阶和二阶局部异常图。采用一个局部增强模块来改善真实区域和伪造区域的局部特征间的区分度，从而确保计算局部异常的准确性。采用改进的自适应空域富模型，通过可学习的高通滤波器帮助挖掘细微的噪声特征，与局部异常分支构成双流结构。在没有像素级注释和外部合成数据的情况下，本发明使用简单的ResNet18作为骨干网络在FF++四个子数据集上的平均跨库精度达到了91.28％，97.20％，97.32％以及96.82％。

本发明公开了一种深度伪造指纹检测模型的版权保护方法、装置及介质，包括：获取预设数量的指纹图像，并对各指纹图像添加真实标签生成第一样本集；将第一样本集按预设第一比例划分为第一子集和第二子集；通过LSB隐写算法将预设水印图像集嵌入第一子集生成触发集；将触发集和第二子集合并生成第二样本集；通过第二样本集训练预构建的深度伪造指纹检测模型，获取具备版权保护的深度伪造指纹检测模型；本发明通过LSB隐写算法构建触发集，从而在训练深度伪造指纹检测模型时植入隐形后门，通过隐形后门进行版权验证，从而解决深度伪造指纹检测模型进行版权保护的问题。