【摘 要】
：
随着网络技术的快速发展和图像获取设备的日益普及,丰富多彩的数字图像成为传递信息的重要媒介。虽然数字图像给人们生活带来便利,其背后也潜藏着安全隐患。因此,如何保护好数字图像的完整性和真实性,是数字图像取证领域将要面对的巨大挑战。尤其是近几年GAN在图像领域取得的巨大成功,其生成的能够以假乱真的高清图像更是引起了相关领域各位专家学者的高度关注。挖掘自然图像与GAN生成图像之间存在的差异进而精准高效地鉴
论文部分内容阅读
随着网络技术的快速发展和图像获取设备的日益普及,丰富多彩的数字图像成为传递信息的重要媒介。虽然数字图像给人们生活带来便利,其背后也潜藏着安全隐患。因此,如何保护好数字图像的完整性和真实性,是数字图像取证领域将要面对的巨大挑战。尤其是近几年GAN在图像领域取得的巨大成功,其生成的能够以假乱真的高清图像更是引起了相关领域各位专家学者的高度关注。挖掘自然图像与GAN生成图像之间存在的差异进而精准高效地鉴别出GAN生成的伪造图像,对于数字图像取证领域有着重要意义。因此,本文从空间域和频率域两个角度深入分析了真伪图像在生成及采集过程留下的异常痕迹,并基于此提出了两种针对GAN生成人脸图像的检测算法,具体研究内容如下:（1）针对现有的检测算法大多仅适用于简单场景且对于图像后处理操作不够鲁棒的问题,本文提出了一种新的基于双流卷积神经网络架构的取证模型来检测GAN生成的伪造图像,包含RGB流和PRNU（光响应非均匀性）流。在RGB流的预处理阶段,我们使用随机擦除操作来增强样本的多样性,并促进网络更好地关注图像内容中GAN指纹的差异。而PRNU流的构建是基于PRNU特征在真实图像中的唯一性以及对图像变换的鲁棒性,且PRNU的存在可以引导网络关注图像像素值本身并提升网络的泛化性能。在多个数据集上的实验结果表明,该方法在精度和泛化性上具有明显优势,且对下采样、JPEG压缩、高斯噪声和高斯模糊等各种图像变换也具有更强的鲁棒性。（2）针对现有的检测算法对于高质量生成数据存在一定程度的误判,且大多围绕着图像空间域进行分析,忽略了频率域上的分布特点等问题,本文提出了一种基于空频结合的卷积神经网络的检测算法。鉴于GAN图像在生成过程中因上采样操作在频谱上会留下清晰可辨的棋盘伪影,本文设计了可学习的频率域滤波核以及频率域网络来充分提取特征。为了减弱频域丢弃的信息所带来的影响,本文同样设计了空间域网络来学习图像内容本身的差异化特征,最终将两种特征融合来实现对GAN生成人脸图像的检测。通过在多个数据集上的测试,证明了所提模型在高质量生成数据集的检测精度及在跨数据集的泛化性上都优于现有算法,且在GAN生成的局部人脸数据集上也有不错的表现,这进一步证明了本文所提模型有着更好的通用性以及更加广泛的应用前景。
其他文献
我国在新一代信息技术发展方面的人才需求量大,人才素质要求高,实验教学对于培养实践创新型人才起到关键性作用。传统的实验箱实验固定、通用性低、场地制约,缺乏理论性和开发性,并且具有缺乏工程实践应用等缺点。受新冠疫情影响,很多线下实验也无法顺利开展。设计一个功能丰富、通用便携的实验系统具有一定的现实意义。针对上述问题,本文主要工作如下:首先,设计了一种基于FPGA的口袋实验室系统,该系统采用“固定配置+
二维材料是指厚度只有纳米级别的层状结构材料,由于电子只能在二维平面内自由运动,通常具有奇特的载流子迁移和热力学扩散特性,其出现极大的推动了材料领域的发展与进步,为电子、生物、航空航天等众多领域带来了更加优质的选择。Mo S2作为二维过渡金属硫化物（TMD）的代表,单层时具备直接带隙的能带结构特点,弥补了石墨烯没有带隙的缺点,在光电器件的应用领域拥有巨大潜力。在此基础上,本文通过化学溶液沉积法工艺在
射频接收机是微波应用系统中的关键功能电路。常规的变频式接收机都需要一个独立的本振源来提供本振信号,以完成与射频输入信号的下变频。而自振荡混频接收机则通过有源器件在特定工作条件下的振荡产生本振信号,同时利用有源器件的非线性特性完成混频,避免了独立本振源的使用,因而在成本、功耗、结构方面具有显著的优势。另外,如果将自振荡混频过程中的振荡信号加以复用,不仅利用其做内部本振信号以实现混频,还将其引出以作为
随着人工智能技术的不断进步,智能化机器人已是时代发展的需求。机器人对于复杂的动态环境,需要像人类一样拥有感知、决策、行动的能力。本文根据操作问答任务的设计需求,借助相应的多模态任务数据集,利用人工智能算法,构建一套集合视觉、听觉的机器人感知决策行为框架,从仿真环境和实际场景验证本文的协作机器人系统的先进性和实用性。本文的创新性工作包括以下内容:（1）针对机器人系统的各个设备之间的特性构建一种模块化
大规模多输入多输出（Massive Multiple-Input Multiple-Output,Massive MIMO）技术已经成为实现5G的一项关键技术。Massive MIMO凭借其数据传输效率高、连接稳定和延迟低等各方面优势在实际生产中得到广泛应用。在Massive MIMO系统中,复杂程度和天线数量是密切相关的,随着天线数量增加,算法的复杂程度也随着变高,因此在接收端需要一种复杂程度低
图像作为日常生活中重要的信息传播载体,其清晰度直接决定人们能否准确地从中获取有用的信息。由于成像系统和设备的不完善,以及光照等外界因素的影响,数字图像在形成、传输和存储过程中都会引入不同类型的噪声,造成图像信息丢失。随着卷积神经网络在图像处理领域的快速发展,基于卷积神经网络的合成噪声去噪算法无法满足真实噪声图像去噪的需求,实用性不足,且复杂的网络模型亦无法满足高效处理的需求。针对以上问题,本文主要
集成电路产业已经成为世界强国的国家战略,芯片制造的关键技术和设备被少数欧美发达国家垄断。特别在射频、微波芯片封装中,键合金丝的拱高、跨度等参数对微波传输特性的影响很大,而这些参数的自动检测设备目前还依赖进口,为了打破技术封锁,弥补相关领域的研究空缺,本文针对实现键合金丝拱高和跨度的微米级测量技术展开了研究,具体内容如下:首先,设计并搭建了键合金丝拱高和跨度的图像采集、处理和实验平台。采用嵌入式方案
气体检测是预防各类安全事故发生的重要手段。在日常生活、工业生产中往往会产生大量可燃易爆、有毒有害的气体,若发生泄漏不能及时发现并采取相应措施,将对长期生活、工作其中人员的身体健康带来极大安全隐患。同时,此类气体若积累到一定浓度,极易发生爆炸事故并将带来灾难性的后果。多年以来,此类安全事故层出不穷。因此如何快速、准确实现对泄漏气体的检测,具有广泛的应用价值。本文提出了一种采用传感器阵列与模式识别算法
基于深度学习的车辆重识别旨在利用车辆外观特征在大型图库中检索目标车辆,实现车辆追踪,是智慧交通系统的一项核心技术。随着人工智能和大数据技术的发展,该技术在嫌疑追踪、无人停车场管理、智慧物流和自动驾驶等领域具有广泛应用,尤其是在当车牌被遮挡、移除、破坏等情况下,该技术发挥了巨大作用。由于车辆图像是由不同的摄像机拍摄得到,拍摄时光照、视角、分辨率等条件各不相同,导致车辆重识别面临着类间差异小、类内差异
目前,通信技术的相关应用已经广泛的服务于人们的生产生活,而无线系统的资源优化技术又是通信领域的研究重点。相较于传统的蜂窝系统,超密集网络拥有更丰富的基站资源,可以为用户终端提供更高质量的服务体验。然而,密集部署的基站不仅带来了严重的小区间干扰,而且容易导致基站出现空载或过载现象。此外,通信环境的参数瞬息万变使得传统功率分配算法难以在实时场景中应用推广。本文针对上述问题进行了研究,提出了超密集无线网