【可看】On the Generalization of GAN Image Forensics

文章目录

• On the Generalization of GAN Image Forensics
• key points
• 研究
• 方法
• 实验

On the Generalization of GAN Image Forensics

会议/期刊：Chinese conference on biometric recognition2019
作者：

key points

GAN生成图像取证的泛化
提出使用预处理图像来训练取证CNN模型。

通过人工干预相关的人工干预处理真假图像间的相似性关系，在消除低水平不稳定噪声干扰的基础上引导取证模型提炼出更加深层的本质特征以区分生成与真实的人脸图像

研究

GAN生成图像可以假乱真。

如果不能区分真假图像，也会给取证带来严重的问题。【DEEPFAKE——危害大】

随着新型GAN模型快速的发展，在取证分析中那些未被预见的新生成假图像逐渐占据越来越重要的地位

在训练阶段应用了创新的图像预处理方案，并通过叠加高斯模糊与高斯噪声来提升该卷积神经网络（CNN）模型在泛化方面的性能。

我们的工作是破坏或抑制这些不稳定的低电平高频噪声信号。

图像预处理的主要目的是通过增强真伪图像在像素级别的统计特性趋同来促使取证分类器更加关注其内在和有意义的特征，并非模仿生成模型的风格。

方法

我们提出的方法与其他GAN取证工作显著区别在于，在训练阶段通过图像预处理手段干扰GAN生成图像中的不稳定性，并促使鉴別器更加关注模型内部潜在的取证特征。

通过采用平滑滤波技术或进行噪声预处理步骤，并特意设计为干扰这些低频高频特征 。通过这种方式，在一定程度上能够降低真伪图像间的低频相似性，并引导取证分类器去学习更多具有更强泛化能力的关键特征

在整体网络架构中位于先进行的阶段的是图像预处理操作，在这一阶段中可以采用的是平滑滤波或添加噪声的方法。具体而言，在测试环节中，则直接将未经任何修改的原始图像作为输入数据使用。

抑制低水平不稳定线索

为了增加训练样本的多样性

通过这种方法来抑制低水平不稳定线索

通过这种方法来抑制低水平不稳定线索

重点：验证所提出的预处理操作对提高泛化能力的有效性

基于该 Discriminator 网络的架构设计了一个简单的 DCGAN 模型。该模型接收两种图像作为输入：真实图像与生成图像。该网络由四个卷积层构成，在每层采用步长为 2 的卷积操作，并在每个卷积层中使用填充量为 1 的填充策略。对于前三个卷积层（除了第一层），我们采用了批处理归一化，并引入了非线性的 LReLU 激活函数来激活各神经元输出特征图。此外，在模型训练过程中所使用的损失函数与优化算法分别为 Binary Cross-Entropy 损失函数配合 Adam 优化算法。

实验

数据集：
真实图片数据来自CelebA-HQ[1].
该伪图像集合由DCGAN[17]、WGAN-GP[18]以及PGGAN[1]等生成器构建.
该生成数据集主要用于评估和验证模型在泛化能力方面的表现.

【泛化能力可以得到一定的提高】

每个模型生成的图像分布可能会有很大差异。

注：仅供学习交流