针对深度伪造的对抗攻击算法动态APGD设计

为了防范利用深度伪造模型伪造图片,提出了一种改进的对抗样本生成算法即动态APGD(dynamic APGD,DAPGD),通过制作对抗样本替代原始图片,使深伪模型的输出产生明显失真,从而无法有效地生成伪造图片。DAPGD使用自适应衰减学习率的思路,能加快算法收敛速度,提升收敛时对抗样本的质量;同时针对APGD容易错过最佳衰减学习率时机的问题,动态地设置用于衰减学习率的检查点,能更彻底地发挥学习率衰减的作用。由于深伪模型使用随机参数导致损失函数不稳定,取消了APGD的局部早停机制,提升算法的效果与速度。针对三个主流深度伪造模型进行DAPGD攻击实验,并与原算法及其他算法进行对比,结果表明,DAPGD生成的对抗样本在输出失真大小、攻击成功比例两个指标上均能取得更好的效果,能更有效地干扰深伪模型伪造图片。

基于CycleGAN改进的人脸图像彩色化方法

针对当前灰度人脸图像彩色化技术出现的颜色不准确、人脸图像细节损失等问题,提出一种基于自注意力机制的优化的人脸图像彩色化方法。将自注意力机制ACmix模块嵌入到网络模型CycleGAN中,对人脸关键信息进行加权强化;引入involution算子,involution核相比传统卷积核在空间维度上具有更广泛的覆盖,能够自适应地提取更多的人脸信息;设计了一个复合损失函数来计算真实图像与生成图像之间的误差,以提高彩色人脸图像的真实性和自然性。在Multi-PIE和Georgia Tech Face Da-tabase数据集上对改进后的模型进行定量和定性评价,实验表明,与现有方法相比,所提出的模型可以实现更真实、更自然的人脸颜色。