专利交易市场

本发明公开了一种基于双分支卷积抑制纹理网络的人脸伪造检测方法及系统，本方法将待预测人脸图像输入至双分支卷积抑制纹理网络进行人脸伪造检测，获得人脸伪造检测结果；其中进行人脸伪造检测包括：将第一纹理抑制特征图和第二纹理抑制特征图相加，获得第一支路的第一特征图；将纹理抑制注意力特征图和第二支路的特征图进行元素相乘，获得第二支路的第一特征图；将第一支路的特征和第二支路的特征输入至跨流融合模块中进行不同维度的特征融合，获得第一支路的融合特征和第二支路的融合特征；将每个维度上的融合特征进行整平操作和拼接操作后输入至全连接层，获得人脸伪造检测结果。本发明能够提高模型的泛化性能，提高人脸伪造检测的准确度。

本发明请求保护一种基于跨域一致性学习的人脸伪造检测方法(CDCL)，旨在探索不同伪造方法生成图像的共同伪造特征，实现高泛化性的人脸伪造检测，属于计算机视觉技术领域。所述方法包括以下步骤：步骤1.本发明提出了一个跨域学习模块，该模块有助于提取到不同伪造方法生成图像的跨域一致性特征。步骤2.本发明设计了一个分流中心差分注意力，它可以通过聚合查询的像素级强度和梯度信息来生成键和值对，同时将异质感受野大小注入到标记中，从而捕获深层次的细粒度特征。步骤3.本发明利用一组特定伪造技术(源域)和不同伪造技术(目标域)生成的数据来诱导模型学习跨域一致性特征。步骤4.为了减少类内距离同时增大类间距离，本发明设计了一个跨域一致性中心损失，通过迭代对抗训练、更新参数得到最终的网络模型。

本发明公开一种基于特征增强Mamba框架的人脸伪造检测方法，涉及图像处理技术领域，其特征在于，包括以下步骤：S1：数据集的准备；S2：构造基于特征增强的Mamba框架；该框架在原有Mamba框架的基础上引入了局部性增强状态空间模块，该模块包括全局特征增强模块和局部特征增强模块；S3：模型的训练；具体的图像特征提取流程如下：S31：全局特征增强模块的特征提取；S32：局部特征增强模块的特征提取；S33：融合特征的获取；S4：损失函数构造。本发明要解决的技术问题是提供一种基于特征增强Mamba框架的人脸伪造检测方法，该框架能够精准捕捉图像的全局以及局部特征，在复杂多变的人脸伪造检测中取得了良好的效果，能够有效识别出伪造的人脸图像。

本发明公开一种基于元学习架构的域适应人脸伪造检测方法，涉及图像处理技术领域，包括以下步骤：S1：数据集的构建；S2：元学习过程；S21：元‑训练；S22：元‑测试；S23：参数更新；S3：采用伪样本生成方法，通过这些伪样本，单步更新源模型；S4：采用随机恢复方法来避免知识遗忘问题，提高模型对复杂多样的未知数据的检测效果。本发明元学习和一致性学习方法的结合，有效地解决了跨域检测中的领域自适应问题，实现模型在不同域之间的无缝迁移和持续学习。

本发明公开基于局部伪造区域检测的人脸伪造检测方法，涉及图像处理技术领域，包括以下步骤：S1：数据处理；S11：从视频数据中提取每个视频的10帧，并将其转换为图像数据集；S12：对图像中的潜在伪造区域进行标注；S13：将图像的真伪属性、图像位置信息以及伪造区域的掩码信息存储在JSON文件中，以便后续训练模型时使用。本发明要解决的技术问题是提供基于局部伪造区域检测的人脸伪造检测方法，有效地减轻了对全局信息的依赖，进一步增强了模型的泛化能力，从而在深度伪造检测领域取得更为准确和鲁棒的结果。

本发明公开基于双分支协作学习的跨域人脸伪造检测方法，涉及人脸图像伪造检测技术领域，包括以下步骤：S1：将双分支协作学习框架划分为两个分支，每个分支包含一个教师网络和一个学生网络，其中，第一个分支的教师和学生分别记作#imgabs0#和#imgabs1#，第二个分支的教师和学生分别记作#imgabs2#和#imgabs3#；S2：使用基于FFT的风格转换方法来生成潜在域图像#imgabs4#，保持源域图像的内容#imgabs5#与目标域图像#imgabs6#的风格；S3：对学生网络进行优化；S4：对教师网络进行优化；S5：使用Xception作为骨干网络，对两对教师和学生网络，进行人脸伪造检测。本发明要解决的技术问题是提供基于双分支协作学习的跨域人脸伪造检测方法，方便人脸伪造检测。