CN119494764B 一种基于区块链与鲁棒水印增强的深度伪造主动检测方法 （齐鲁工业大学(山东省科学院)）

一种基于区块链与鲁棒水印增强的深度伪本发明公开一种基于区块链与鲁棒水印增制比特水印通过水印嵌入模型嵌入原始人脸图提供一种基于区块链与鲁棒水印增强的深度伪2并随机选择一个尺度，然后通过内核大小为5x5将感兴趣的区域作为CNN模型网络的输入，由于目标是揭露伪人脸区域和周围区域之L是损失函数；f()是深度伪造检测模型对水印的图像为的输出；y是真实标签，其中：f(RW)表示深度伪造检测模型对经过扰动增强后的水印图像即对抗样本的S11:设置具有编码器一解码器结构的水印嵌入网络模型E和一个解码器结构的水印提33.根据权利要求1所述的基于区块链与鲁棒水印增强的深度伪造主动检测方法，其特通过计算输入的干净人脸图像的局部复杂度来设干净人脸图像为一个大小为BXCXHXW的张量，其中：local.conplexity(b,c)=var((b,c))（4b和c分别是批次和通道的索引；自适应嵌入权重是根据图像的局部复杂度和嵌入强度embedding_strength来计算adaptive_weights(b,e)=o(localL_co4adjusted_w(b,c,h,w)=w(b,c,h,w)xadaptive_weights(b,c)（6）4.根据权利要求3所述的基于区块链与鲁棒水印增强的深度伪造主动检测方法，其特u-c(,)（10）从伪造后的图像xar中提取出水印信息。5.根据权利要求3所述的基于区块链与鲁棒水印增强的深度伪造主动检测方法，其特Wk和分别是原始水印和提取水印的第k位。5造。当前的技术方法多依赖于空域特征、频域特征或者生成模型留下的伪造痕迹。例如，XceptionNet和EfficientNet等经典神经网络被用于提取视频帧的特征，而F3_Net和意力机制，聚焦视频帧中的细微伪造痕迹，从而进一步提升检测的准确性，如Multi_[0004]与被动式检测不同，主动式防御技术则更注重在伪造行为发生之前采取预防措6[0010]本发明要解决的技术问题是提供一种基于区块链与鲁棒水印增强的深度伪造主[0019]S11:设置具有编码器一解码器结构的水印嵌入网络模型E和一个解码器结构的水[0020]S12:水印嵌入网络模型E依,w)→iw，其中E为水印嵌入网络模型，为干净人脸7[0041]自适应嵌入权重是根据图像的局部复杂度和嵌入强度embedding_strength来[0042]adaptive_weights(b,e)=o(localL_complexity(b,c)xembedding_strength)（5）[0046]adjusted_w(b,c,h,w)=w(b,c,h,w)xadaptive_weights(b,c)（6）8[0052]将感兴趣的区域作为CNN模型网络的输入，由于目标是揭露伪人脸区域和周围区[0057]f()是深度伪造检测模型对水印的图像为的输出；[0059]VXL是关于输入图像的梯度；[0064]其中：f(RW)表示深度伪造检测模型对经过扰动增强后的水印图像即对抗样本[0068]u-c(,)（10）[0072]从伪造后的图像Rar中提取出水印9整个防御系统的可信度与可验证性。本方法不仅通过嵌入不可察觉的水印进行伪造溯源，还结合图像增强技术降低被伪造检测系统识别的风险。水印信息通过区块链进行加密存[0082]本发明本发明将一个100位的随机二进制比特水印嵌入原始人脸图像中，然后通[0085]S11:设置具有编码器一解码器结构的水印嵌入网络模型E和一个解码器结构的水[0086]S12:水印嵌入网络模型E依,w)→iw，其中E为水印嵌入网络模型，为干净人脸[0107]其中：var表示在高度和宽度方向上的方差计算；[0109]自适应嵌入权重是根据图像的局部复杂度和嵌入强度embedding_strength来[0110]adaptive_weights(b,e)=o(localL_complexity(b,c)xembedding_strength)（5）[0114]adjusted_w(b,c,h,w)=w(b,c,h,w)xadaptive_weights(b,c)（6）仿射面部变形步骤引入的伪影，因此通过直接模拟仿射面部变形步骤来简化负例生成过y0,x0,y1,x1表示可以覆盖除脸颊轮廓之外的所有面部特征点的最小[0137]其中：f(RW)表示深度伪造检测模型对经过扰动增强后的水印图像