CN119399612A 基于离散小波变换的人脸深度伪造主动防御方法及装置 （华侨大学）

基于离散小波变换的人脸深度伪造主动防本发明涉及基于离散小波变换的人脸深度损失函数；基于损失函数反向传播获取梯度信通过离散小波变换将低频和高频分量被嵌入到2S102，通过深度伪造模型分别对含扰动的人脸图像得第一伪造输出和第二伪造输出；计算第一伪造输出和第二伪造输出之间的均方误差损间扰动值的低频分量和高频分量分别嵌入到含扰动的人脸图像的低频分量和高频分量中，2.根据权利要求1所述的基于离散小波变换的人脸深度伪造主动防御方法，其特征在给定一张原始人脸图像、一个训练好的深度;最大化原始人脸图像经深度伪造模型的伪造输出M(x)和含扰动的人脸图像经深度伪造模型的伪造输出M(X+n)的距离D，通过最大化距离D实现干扰深度伪造模型输出的目;其中，n表示在原始人脸图像上添加的一个不可见的扰动；e表示约束扰动大小的阈3.根据权利要求2所述的基于离散小波变换的人脸深度伪造主动防御方法，其特征在;34.根据权利要求1所述的基于离散小波变换的人脸深度伪造主动防御方法，其特征在;5.根据权利要求1所述的基于离散小波变换的人脸深度伪造主动防御方法，其特征在;6.根据权利要求1所述的基于离散小波变换的人脸深度伪造主动防御方法，其特征在;后的输出结果；G(X表示含扰动人脸图像经过深度伪造模型伪造后的输出结果，7.根据权利要求6所述的基于离散小波变换的人脸深度伪造主动防御方法，其特征在对含扰动的人脸图像的每一行进行一维离散小波变换，其次对每一;;;;4将中间扰动值也进行离散小波变换获得中间扰动值的低频分量和;;;;;;对添加扰动后的人脸图像的四个频率分量进行逆离散小波变换，;8.根据权利要求7所述的基于离散小波变换的人脸深度伪造主动防御方法，其特征在;人脸图像初始化模块，用于获取原始人脸图像，基于原始人脸总损失函数获取模块，通过深度伪造模型分别对含扰动的人含中间扰动值的人脸图像获取模块，用于对中间扰动值进行离56[0003]人脸深度伪造主动防御技术是一种通过主动的方式向人脸图像嵌入保护信息的[0004]现有的大多数白盒场景下的主动防御方案是在Ruiz等人的方案基础上进行改进[0009]S102，通过深度伪造模型分别对含扰动的人脸图像和原始人脸图像进行属性编对含扰动的人脸图像进行离散小波变换，获得含扰动的人脸图像的低频分量和高频分量；7将中间扰动值的低频分量和高频分量分别嵌入到含扰动的人脸图像的低频分量和高频分[0012]S105,判断是否达到预设迭代次数；[0014]给定一张原始人脸图像、一个训[0016]最大化原始人脸图像经深度伪造模型的伪造输出M(x)和含扰动的人脸图像经深度伪造模型的伪造输出M(X+n)的距离D，通过最大化距离D实现干扰深度伪造模型输出的8型伪造后的输出结果；G(X)表示含扰动人脸图像经过深度伪造模型伪造后的输出结果，HH；[0034]LL[k,j]=zmznx[m,n]-h[k-m]-hl-n]；[0036]LH[k,j]=zmznx[m,n]-h[k-m]·gl-n]；[0038]HL[k,j]=zmznx[m,n]·g[k-m]-hl-n]；[0040]HH[k,j]=zmznx[m,n]-glk-m]gl-n]；列坐标，用于表示图像在水平方向上的位置；x[m,n]表示图像像素值的值；h表示低通滤[0045]llx=llx+lly；lhx=lhx+lh；[0047]hlx=hlx+hln；9之间的均方误差损失，并计算含扰动的人脸图像和原始人脸图像之间的结构相似性损失，骤[0071]S102，通过深度伪造模型分别对含扰动的人脸图像和原始人脸图像进行属性编[0073]给定一张原始人脸图像、一个训[0075]最大化原始人脸图像经深度伪造模型的伪造输出M(x)和含扰动的人脸图像经深度伪造模型的伪造输出M(X+n)的距离D，通过最大化距离D实现干扰深度伪造模型输出的IIlI。表示n的无穷范数。型伪造后的输出结果；G(X)表示含扰动人脸图像经过深度伪造模型伪造后的输出结果，[0093]具体的，对含扰动的人脸图像的每一行进行一维离散小波变换(Discrete[0095]LL[k,j]=zmznx[m,n]-h[k-m]-hl-n]；[0097]LH[k,j]=zmznx[m,n]-h[k-m]·gl-n]；[0099]HL[k,j]=zmznx[m,n]g(k-m]-h[-n]；[0101]HH[k,j]=zmznx[m,n]-glk-m]gl-n]；列坐标，用于表示图像在水平方向上的位置；x[m,n]表示图像像素值的值；h表示低通滤[0106]llx=llx+lly；lhx=lhx+lh；[0108]hlx=hlx+hln；[0113]其中，IDWT()表示进行逆离散小波变换(InverseDiscreteWavelet[0117]S105,判断是否达到预设迭代次数；每个频率分量上扰动值的阈值范围为0.1。在CelebA数据集上对本发明进行实验评估。其[0124]此外，在评估中，使用Ruiz等人提出的对防御成功率(DefenseSuccessRate，像质量越好。实验表明，在任何量级的人脸图像下，该方法提出的防御成功率均能达到[0129]因此，将扰动添加在人脸图像的小波域内可以成功干扰深度伪造模型的伪造生[0132]如表2所示，在不同质量因子的JPEG压缩的攻击下，防御成功率和视觉指标的结出之间的均方误差损失，并计算含扰动的人脸图像和