区分来源和目标区域的图像copy-move伪造检测方法

Copy-move是一种常用的图像伪造手段,它通过复制图像的某一区域,移动并粘贴到同一图像的其他位置,达到掩盖重要信息或伪造虚假场景的目的。近年来,为了防止copy-move被用于违法犯罪,copy-move伪造检测技术迅猛发展,在维护社会运行秩序和信息安全方面发挥着积极作用。本文提出一种基于条件生成对抗网络(conditional Generative Adversarial Networks,cGANs)的copy-move伪造检测方法。针对图像copy-move伪造检测,该方法优化设计了cGANs的损失函数,并使用适量的弱监督样本来提升网络性能。不同于目前大部分检测算法,该方法不仅可以定位出图像中的相似区域,还可以有效区分伪造来源区域和伪造目标区域。实验结果表明,本文所提出的方法在检测准确率上显著优于现有方法。

人工智能时代“深度伪造辩护”对刑事诉讼的挑战及其应对

深度伪造辩护是在深度伪造技术及生成式人工智能发展基础之上出现的一种刑事辩护方法。深度伪造辩护的出现,可能消解刑事诉讼中对证据的信任基础,同时可能导致在刑事诉讼中出现“说谎者红利”的情形,甚至可能影响对案件事实的认定。面临人工智能时代“深度伪造辩护”对刑事诉讼的冲击,必须适时对刑事诉讼辩护制度进行改革。在程序法方面,需要由证据真实性审查,转向程序规则之限制;在实体法方面,应增设相关“深度伪造辩护”的罚则;在律师执业纪律规范方面,应将行政性监管罚则进行具体化。

面向AI安全的深度伪造视频检测技术

针对实际应用伪造类型多样化,而检测过程中只检测单一伪造数据类型等问题,提出了一种新的数据预处理方法,解决了视频中运动图像容易连续重叠的问题;针对人脸模糊伪造,侧面人脸伪造和遮挡人脸伪造问题,利用小卷积核代替大卷积核的方法训练出自己的Deeper网络;针对帧插入、帧复制、帧修改、帧内篡改四种常见的深度视频伪造,尤其是在测试领域差距较大的情况下,容易产生泛化性不足的问题,设计了一种改进的基于双流分析的深度伪造视频检测模型。

生成式伪造语音安全问题与解决方案

生成式人工智能算法的发展使得生成式伪造语音更加自然流畅,人类听力难以分辨真伪.首先分析了生成式伪造语音不当滥用对社会造成的一系列威胁,如电信诈骗更加泛滥、语音应用程序安全性下降、司法鉴定公正性受到影响、综合多领域的伪造信息欺骗社会大众等.然后从技术发展角度,对生成式伪造语音的生成算法和检测算法分别进行总结与分类,阐述算法流程步骤及其中的关键点,并分析了技术应用的挑战点.最后从技术应用、制度规范、公众教育、国际合作4方面阐述了如何预防以及解决生成式伪造语音带来的安全问题.

基于改进显著图和局部特征匹配的copy-move窜改检测

检测整幅窜改图像的方法增加了许多非必要的计算量,为了降低计算复杂度和进一步提高检测精确率,提出了一种基于改进显著图和局部特征匹配的copy-move窜改检测方法。首先,结合图像梯度改进显著图,分离出包含图像高纹理信息的局部显著区域;其次,只对该局部区域采用SIFT(scale invariant feature transform)算法提取特征点;然后,对显著性小的图像采用密度聚类和二阶段匹配策略,对显著性大的图像采用超像素分割和显著块特征匹配的策略;最后,结合PSNR和形态学操作来定位窜改区域。在两个公开数据集上进行实验,该方法的平均检测时间小于10 s,平均检测精确率大于97%,均优于所对比的方法。实验结果表明,该方法能够大幅缩减检测时间、有效提高检测精确率,并且对几何变换和后处理操作也都具有较好的鲁棒性。

一种基于预训练模型的语音深度伪造算法识别方法

为提高语音深度伪造算法识别模型的准确性和对未知伪造算法识别的泛化性,文章提出一种基于预训练模型的识别方法。基于真伪语音数据集,微调训练HuBERT预训练模型,并基于模型输出的深层嵌入特征构建流形空间,通过度量不同伪造算法下语音数据流形空间的测地线距离进行伪造算法的判定。实验表明,所提方法可以较为有效地实现对已知和未知伪造算法的识别。

深度伪造音频检测综述

随着生成式人工智能技术的快速普及和发展,社交媒体领域充斥着大量由语音合成、语音转换等技术生成的深度伪造音频。这些高自然度的深度伪造音频为真伪媒体内容分辨带来了巨大挑战。为了解决这一问题,国内外已经组织了多样化深度伪造音频检测挑战赛,以促进音频反欺骗领域的发展。区别于已有综述局限于音频真伪二分类,本文跨越传统二分类,对深度伪造音频检测领域的相关工作做出了全面的总结。即将深度伪造音频检测领域分为三个子领域:全局伪造音频检测、局部伪造音频定位、深度伪造音频溯源,分别对三个子领域现有的数据集领域问题、解决方法进行了梳理和总结。最后,提出了深度伪造音频检测领域可能面临的挑战,对下一阶段的研究进行展望,期望为未来研究人员提供可靠参考。

融合空间特征的多尺度深度伪造检测方法

随着深度学习的快速发展,深度伪造技术作为一种基于深度学习生成模型的图像篡改技术迅速兴起。深度伪造视频图像的泛滥给国家和社会安全带来了负面影响,使得深度伪造检测技术的重要性日益凸显。然而,现有基于卷积神经网络(CNN)或ViT的深度伪造检测技术普遍存在模型参数量大、训练速度慢、容易过拟合、应对视频压缩或噪声的鲁棒性差等问题。为此,提出一种融合空间特征的多尺度深度伪造检测方法。首先采用自动白平衡(AWB)算法对输入图像进行对比度调整,以增强模型的鲁棒性;然后利用MViT和CNN分别提取输入图像的多尺度全局和局部特征;接着提出一种改进的稀疏交叉注意力机制,对用MViT提取的全局特征和用CNN提取的局部特征进行融合,提升模型的识别效果;最后针对融合后的特征,通过多层感知机(MLP)进行分类。实验结果表明,该方法在Deepfakes、FaceSwap和Celeb-DF(v2)数据集上的帧水平AUC分别达到0.986、0.984和0.988,且在跨压缩率实验中表现出了较强的鲁棒性,模型改进前后的对比也验证了所提各模块对检测结果的提升作用。

针对低质量视频的双支流人脸伪造检测方法

随着人脸伪造技术不断的发展,如今经过伪造后的视频和图片的人脸伪造质量大幅度提升,这对人身安全、财产安全乃至公共安全存在一定的危害性。因此,迫切需要一种有效的检测方法来区分真假人脸。然而,现有的检测方法面对低质量的虚假人脸视频时存在一定的局限性,即面对压缩过后的低质量视频检测性能较差,此外,泛化性能较差,检测准确率有所下降。为了提升检测网络的准确性和泛化性,将语义信息和噪声信息相结合,提出一个双支流网络,在关注图像语义信息的同时通过高频噪声信息展示出伪造区域和真实区域的不一致性。利用高频噪声信息暴露出的不一致性,重点关注图像语义信息中的伪造痕迹。交互模块增进语义信息和高频信息之间的交互性与融合性。在FaceForensics++数据集进行了训练和测试,并在Celeb-DF数据集上评估该模型的跨数据集泛化性能。从实验结果中可以证明该模型的有效性和可靠性。

基于帧间量化参数强度值检测深度伪造人像视频

深度学习算法的发展为伪造人像视频的创作增添了“助力”,应运而生的深度伪造检测成为学界和业界关注的焦点。基于深度学习的伪造视频检测技术需要耗费大量时间与算力训练分类器,深度学习网络的黑盒性和不可解释性也困扰着深度伪造人像视频取证研究。围绕深度伪造人像视频的真实性取证问题,本文提出一种基于视频帧间量化参数强度值的检测方法,并通过二元Logistic回归方程给出参考阈值。实验结果表明:本文的方法在检测利用DeepFaceLab换脸平台合成的深度伪造人像视频中表现出良好的准确率和鲁棒性。所提方法有助于对可疑人像视频真实性进行判断,为涉案人像视频提供取证依据。

人脸视频伪造检测技术进展与趋势

伪造与伪造检测之间作为动态的攻防关系,一方的进步会促使另一方进行技术上的迭代和升级。然而,随着AIGC技术的快速发展,逼真的伪造人脸视频可以欺骗人类视觉感知,人脸视频伪造检测技术已经落后于人脸视频伪造技术,伪造检测技术难以适应复杂的伪造场景,导致视频内容安全防护受到了重大挑战。因此,对于人脸视频伪造数据的检测,在国家和社会安全等方面具有重要的研究和应用价值,近年来已成为亟待研究的热点问题。在此背景下,通过探索评测基准客观量化、基准数据动态更新、应对新型伪造检测、伪造检测自主进化等方面的技术攻关,可以为人脸视频防伪领域提供新视角和发展方向,促进防伪检测技术的进一步发展。

基于图像处理技术识别伪造指纹的研究

伪造指纹迷惑性强,对社会危害大,急需开发高效、精确的伪造指纹识别技术。采用图像处理技术可以提高伪造指纹的识别效率和准确性。实验制作了复印、打印、硅胶膜和光敏指纹章盖印的指纹,与直接捺印指纹进行人工和系统自动比对纹线特征点,发现伪造指纹能达到与真实指纹同一认定的条件。采用Adobe Photoshop、Open CV计算机视觉库和Image pro plus图像处理软件,对指纹图像的细节进行深入分析,并提取重要特征,如颜色和墨迹分布,来识别和区分真假指纹。通过对比分析指纹图像中的黄色和蓝色墨点,可以识别是捺印指纹还是打印复印指纹。同时,分析指纹颜色对比度和宽度的变化能够识别硅胶膜和光敏指纹章伪造指纹。因此,图像处理技术能显著增强伪造指纹检测的多维度分析能力,为指纹识别领域提供了科学、具象的证据支持。

基于孪生网络的鲁棒性深度伪造检测方法

目前,使用深度伪造技术合成伪造人脸图像的案例非常广泛,深度伪造技术通过对人脸图像进行面部替换或表情更改,从而实现深度伪造的目的。这类深度伪造图像的肆意传播,可能对社会和个人造成许多不良后果。因此,不少学者着手研究深度伪造检测方法。虽然现有的检测方法在高质量图像的检测上能实现非常高的准确率,但是在检测经过图像压缩操作的低质量人脸图像时,其检测精度会大幅下降。研究旨在改进现有深度伪造检测方法鲁棒性不足的问题。为此,提出了一种基于孪生网络的深度伪造检测方法,其思想是使用孪生网络来学习高质量图像和低质量图像之间公共伪造特征,通过牺牲部分高质量图像的特征提取能力,来提高网络对低质量图像的表征能力,从而使网络在不同压缩率伪造图像的检测上都具有较高的准确率。实验结果表明,所提方法在多个不同压缩率数据集上的综合平均准确率达到90%以上,优于多个现有检测方法。通过消融实验证明所提方法简单有效,且适用于不同的主干网络。

人工智能深度伪造技术的法律风险防控

作为生成式人工智能的深度伪造技术给社会带来了新的风险与挑战。从类型学上看,深度伪造技术同时引发了基于个体权利谱系的微观法律风险、基于市场经济秩序的中观法律风险和基于国家公共安全的宏观法律风险,并依此形成了多样化和梯次性的法律风险格局。为有效化解风险,各国存在“自下而上型”分散治理模式、“自上而下型”垂直治理模式以及“多方参与型”合作治理模式。我国可通过“软法+硬法+算法”相结合的综合治理模式,实现对前述法律风险的有效防控:在软法层面,完善科技伦理制度,明确科技伦理的实体规范和程序规范;在硬法层面,通过“风险预防”与“风险控制”,强化风险防控的刚性约束;在算法层面,实现从样本数据采集到深度伪造内容发布的全过程技术监督,发挥技术的规范功能。

涉深度伪造技术案件的打击与治理策略

随着人工智能技术的迅速发展,深度伪造技术逐渐被大众所熟知。当前,在各类案件中,犯罪分子利用深度伪造技术实施犯罪,由于所伪造的音视频具有较高的真实性,加之当前利用该项技术进行犯罪的案例较少,故而使得被害人难以在第一时间有效辨别其真伪,易造成较大损失。本文针对深度伪造技术在各类案件中的滥用情况及对其打击与治理展开研究,阐明深度伪造技术原理及研究现状,对深度伪造技术在案件中的应用场景与犯罪类型进行讨论,针对深度伪造技术在案件中的使用提出技术打击、完善制度建设等策略。

基于多尺度transformer的伪造人脸检测方法

考虑到目前大多数伪造人脸分类方法存在分类精度低、泛化能力差的问题,提出一种结合多尺度transformer和卷积块注意力模块的伪造人脸分类方法。多尺度transformer用来学习卷积层所提取特征图的高级语义特征,卷积块注意力模块用来增强此高级语义特征,使其更具有区分性,使用增强后的特征来进行分类。实验结果表明,该方法可以显著提高伪造人脸分类的准确性和泛化能力。

车祸诉请补偿 伪造证据罚款

【案例】赵某驾车与高某车辆发生碰撞,致其车损。高某将赵某及保险公司诉至法院,要求赔偿车辆维修期间产生的替代性交通工具损失,并举示了《汽车租赁合同》及发票。

基于内容与知识理解多模态融合的高泛化性伪造信息检测

该研究旨在开发一种高泛化性伪造信息检测方法,该方法基于内容与知识理解多模态融合以及响应知识迁移。首先,通过跨模态融合实现内容不一致性表征,通过对视频和音频模态进行编码并融合,捕捉和表征不一致的内容特征,其次,为了提升模型在不同数据集上的泛化性能,该研究引入知识迁移技术,使用现有数据集训练教师模型,然后将教师模型的知识转移到学生模型上,使学生模型能够从更广泛的角度理解伪造信息,并在未见过的数据上展现出更好的泛化性能。

深度伪造人工智能的刑事风险应对

深度伪造技术是被称作“生成式对抗网络”(GAN)的人工智能深度学习人类样本,将个人的外貌、声音等生物识别信息伪造合成虚假内容的人工智能技术。目前我国刑法对于深度伪造技术的规制主要存在两种模式。一是对非法获取、出售、提供个人生物信息的上游犯罪进行风险预防的前置性保护模式,二是对利用深度伪造的虚假信息实施诈骗、诽谤等下游犯罪进行事后评价的后端处置模式。但上述两种规制模式都未对非法利用深度伪造技术的行为进行刑事规范,难以规制“合法获取 + 不法利用”生物识别信息的行为,无法实现刑法的规范保护目的。因此,应当对非法利用深度伪造技术行为进行定性分析,加强对个人生物识别信息的刑法保护,将非法利用行为纳入侵犯公民个人信息罪的行为类型,弥补非法利用深度伪造技术的刑法规制空白。

深度伪造检测专利技术现状

相关技术概述近几年,人工智能技术的发展,不仅为社会生活带来了便利,同时也带来了泄露个人隐私、AI技术滥用、危害公共安全等问题。深度学习中的深度伪造技术(Deep fake)通过对音频、视频、图像或文本进行伪造,从而模仿人的面部表情、动作和语音的音调等特征,生成能够“以假乱真”的图像和视频,仅凭肉眼无法有效辨识,对个人、社会和国家的安全存在巨大的技术风险。