摘要
在互联网信息技术不断更迭的背景下，深度伪造技术已经可以制造出以假乱真的“换脸”图像。然而，该技术的滥用令网络安全面临严峻挑战。被恶意篡改的“换脸”图像会对个人隐私、生活安全甚至社会稳定性产生巨大负面影响。因此，针对深度伪造图像的人脸篡改取证研究是十分必要的。 目前主流的深度伪造取证方法多通过CNN模型自动学习真伪图像间的可区分特征，这类方法缺少可解释性，并且模型泛化能力较弱。本文从深度伪造图像的生成过程入手，分析伪造痕迹，结合传统图像取证与深度学习技术深入挖掘伪造痕迹特征，开展基于深度伪造图像的人脸篡改取证方法研究，具体工作内容如下： 本文提出了一种基于多尺度纹理差异信息的人脸深度伪造取证方法。该方法能够更高效地捕获深度伪造技术留下的纹理差异信息，从而更准确地感知图像真实区域同伪造区域的痕迹差异。具体来说，为了加强纹理特征的表达，利用中心差分卷积(CentralDifferenceConvolution,CDC)提取伪造纹理特征。然后，引入空洞空间金字塔池化结构(AtrousSpatialPyramidPooling,ASPP)提取并融合多尺度信息以保留完整的纹理特征，从而避免关键性信息丢失。在公开数据集上的实验结果表明，该方法实现了较好的取证效果。 本文提出了一种利用频域和噪声特征的人脸深度伪造取证方法。该方法针对深度伪造技术留下的频域与噪声痕迹设计特征提取网络，能够综合利用多域特征进行取证检测。具体来说，该方法提出利用DCT变换来感知频域中不同频带的伪造痕迹特征。同时，利用空域富模型(SpatialRichModel,SRM)进行引导，以增强伪造噪声痕迹。然后，引入注意力机制综合两个模态的伪造痕迹信息。最后使用单中心训练损失函数促进学习，提升模型的取证能力。在公开数据集上的实验结果表明，该方法具有较好的取证效果。
NETL