图像检测方法和图像检测模型的获得方法与流程

1.本技术涉及计算机技术领域，具体涉及一种图像检测方法、一种图像检测 装置，本技术还涉及一种图像检测模型的获得方法、一种图像检测模型的获得 装置，本技术还涉及两种电子设备和两种存储设备。


背景技术：

2.目前，图像编辑类工具(photoshop、美图等)的日益流行，使得人们对图 像在数字层面的修改越发简便。然而，修改后的图像(即伪造图像)不断地对 许多领域产生威胁，如移除原有的水印、制作伪造新闻、作为虚构证物等。同 时，互联网上在线社交网络的蓬勃发展使得其成为信息传播的主要渠道。自然 而然地，在线社交网络的流行也便利了伪造图像的传播，使得在互联网上报道 假新闻或发布谣言变得更加容易。
3.因此，伪造图像的检测和定位变得极其重要，可以广泛应用于过滤假新闻、 避免恶意保险索赔、验证文档的真实性等。目前，研究者已经提出了许多检测 方来辨别篡改图像，以确保信息安全。其中一些取证旨在检测特定形式的篡改， 如拼接、复制-粘贴和修复，另一些取证则用于识别更复杂或融合的多种伪造。
4.然而，由于以下两个原因，很少有人对在线社交网络上的图像伪造检测进 行研究。首先，几乎所有的在线社交网络都以有损方式处理上传的图像，这可 能会完全擦除原有的篡改操作留下的伪造痕迹，从而使现有的取证算法无效。 其次，在线社交网络采用的有损操作通常是不确定的，也不在用户的控制范围 之内，使得取证算法难以对其进行精确的模拟。
5.因此，对经过传输环境传输后的伪造图像进行伪造检测是亟待解决的问题。


技术实现要素：

6.本技术提供一种图像检测方法和一种图像检测装置，以解决针对经过传输 环境传输后的伪造图像进行伪造检测的问题。
7.本技术提供一种图像检测方法，包括：
8.获得待检测图像；
9.将所述待检测图像输入图像检测模型，输出所述待检测图像中的真实区域 和伪造区域的检测结果；其中，所述图像检测模型采用加入了传输环境噪声的 训练样本训练获得。
10.作为一种实施方式，包括：
11.所述图像检测模型的训练样本中还加入有对抗噪声。
12.本技术还提供一种图像检测模型的获得方法，包括：
13.在原图像中加入伪造图像，获得初始样本；
14.在所述初始样本中加入预设传输环境的传输环境噪声，获得加入传输环境 噪声的加工后样本；
15.将所述加工后样本作为训练样本，提供给待训练的图像检测模型，对其进 行识别真实区域和伪造区域的训练。
16.作为一种实施方式，在所述初始样本中加入预设传输环境的传输环境噪声 后，进一步加入对抗噪声，获得加入传输环境噪声和对抗噪声的加工后样本。
17.作为一种实施方式，在所述初始样本中加入预设传输环境的传输环境噪声， 获得加入传输环境噪声的加工后样本，包括：
18.将作为所述初始样本的图像提供给预设传输环境，经过所述预设传输环境 的传输后，将经过传输的图像作为所述加入传输环境噪声的加工后样本；或者，
19.构造模拟预设传输环境的传输环境模拟模型，向作为初始样本的图像中加 入模拟传输环境噪声τ，将经过上述处理后的图像作为所述加入传输环境噪声 的加工后样本。
20.作为一种实施方式，获得所述传输环境模拟模型的方法包括如下步骤：
21.将原图像提供给预设传输环境，获得经过预设传输环境传输的实际传输后 图像；
22.将提供给预设的传输环境的所述原图像作为样本，提供给待训练的传输环 境模拟模型，并根据待训练的传输环境模拟模型的输出，生成传输环境预测图 像；
23.将所述实际传输后图像与所述传输环境预测图像比较，生成调整衡量指标；
24.依据所述调整衡量指标，调整所述待训练的传输环境模拟模型，直至达到 预设的调整目标。
25.作为一种实施方式，所述调整衡量指标包括损失函数。
26.作为一种实施方式，所述待训练的传输环境模拟模型采用神经网络模型， 所述神经网络模型中嵌入可微分的jpeg压缩卷积层
27.作为一种实施方式，所述对抗噪声采用下述方式获得：
28.给定输入图像x，获得传输环境模拟模型对该图像的预测结果，加工获得初 步预测噪声τo；
29.根据所述给定输入图像x、标注伪造区域取值y、待训练的图像检测模型初 步输出的伪造区域取值初步预测噪声τo，构造所述对抗噪声ξ。
30.作为一种实施方式，对于第t个给定输入图像x，所述对抗噪声ξ的方向设定 为前t-1个图像样本的平均梯度。
31.本技术还提供一种图像检测装置，包括：
32.待检测图像获得单元，用于获得待检测图像；
33.图像检测单元，用于将所述待检测图像输入图像检测模型，输出所述待检 测图像中的真实区域和伪造区域的检测结果；其中，所述图像检测模型采用加 入了传输环境噪声的训练样本训练获得。
34.本技术还提供一种电子设备，包括：
35.处理器；以及
36.存储器，用于存储图像检测方法的程序，该设备通电并通过所述处理器运 行该图像检测方法的程序后，执行下述步骤：
37.获得待检测图像；
38.将所述待检测图像输入图像检测模型，输出所述待检测图像中的真实区域 和伪造区域的检测结果；其中，所述图像检测模型采用加入了传输环境噪声的 训练样本训练获
得。
39.本技术还提供一种存储设备，存储有图像检测方法的程序，该程序被处理 器运行，执行下述步骤：
40.获得待检测图像；
41.将所述待检测图像输入图像检测模型，输出所述待检测图像中的真实区域 和伪造区域的检测结果；其中，所述图像检测模型采用加入了传输环境噪声的 训练样本训练获得。
42.本技术还提供一种图像检测模型的获得装置，包括：
43.初始样本获得单元，用于在原图像中加入伪造图像，获得初始样本；
44.加工后样本获得单元，用于在所述初始样本中加入预设传输环境的传输环 境噪声，获得加入传输环境噪声的加工后样本；
45.图像检测模型训练单元，用于将所述加工后样本作为训练样本，提供给待 训练的图像检测模型，对其进行识别真实区域和伪造区域的训练。
46.本技术还提供一种电子设备，所述电子设备包括：
47.处理器；以及
48.存储器，用于存储图像检测模型的获得方法的程序，该设备通电并通过所 述处理器运行该图像检测模型的获得方法的程序后，执行下述步骤：
49.在原图像中加入伪造图像，获得初始样本；
50.在所述初始样本中加入预设传输环境的传输环境噪声，获得加入传输环境 噪声的加工后样本；
51.将所述加工后样本作为训练样本，提供给待训练的图像检测模型，对其进 行识别真实区域和伪造区域的训练。
52.本技术还提供一种存储设备，存储有图像检测模型的获得方法的程序，该 程序被处理器运行，执行下述步骤：
53.在原图像中加入伪造图像，获得初始样本；
54.在所述初始样本中加入预设传输环境的传输环境噪声，获得加入传输环境 噪声的加工后样本；
55.将所述加工后样本作为训练样本，提供给待训练的图像检测模型，对其进 行识别真实区域和伪造区域的训练。
56.与现有技术相比，本技术具有以下优点：
57.本技术提供一种图像检测方法，包括：获得待检测图像；将所述待检测图 像输入图像检测模型，输出所述待检测图像中的真实区域和伪造区域的检测结 果；其中，所述图像检测模型采用加入了传输环境噪声的训练样本训练获得。 本技术提供的图像检测方法，由于图像检测模型在训练时在训练样本中加入了 传输环境噪声，因此，图像检测模型能够很好的检测出经过传输环境传输后的 待检测图像中的真实区域和伪造区域，提高了伪造图像检测的准确性。
58.优选方案中，所述图像检测模型的训练样本中还加入有对抗噪声，由于图 像检测模型在训练时引入了对抗噪声，从而使得图像检测模型具有更强的抗噪 声能力，进一步提高了伪造图像检测的准确性。
附图说明
59.图1a是本技术提供的一种场景实施例的示意图。
60.图1是本技术第一实施例提供的一种图像检测方法的流程图。
61.图2是本技术实施例提供的一种图像检测方法的示意图。
62.图3是本技术第二实施例提供的一种图像检测模型的获得方法的流程图。
63.图4是本技术第二实施例提供的一种获得传输环境模拟模型的流程图。
具体实施方式
64.在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明 能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背 本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。
65.为了使本领域的技术人员更好的理解本技术方案，首先对本技术的具体应 用场景实施例进行详细描述。
66.本技术第一实施例提供的图像检测方法可以应用于客户端与服务端交互的 场景，如图1a，在需要识别经过传输环境传输后的待检测图像的伪造区域时， 通常是由客户端首先与服务端建立连接，连接之后客户端发送待检测图像到服 务端，服务端接收到待检测图像之后，服务端将待检测图像输入图像检测模型， 输出所述待检测图像中的真实区域和伪造区域的检测结果；其中，所述图像检 测模型采用加入了传输环境噪声的训练样本训练获得，然后将待检测图像中的 真实区域和伪造区域的检测结果提供给客户端，客户端接收待检测图像中的真 实区域和伪造区域的检测结果。
67.本技术第一实施例提供一种图像检测方法。下面结合图1、图2进行说明。
68.步骤s101，获得待检测图像。
69.所述待检测图像，指加入了传输环境噪声的图像。其中传输环境可以包括 在线社交网络的应用软件等。当某个用户通过在线社交网络的应用软件上传或 下载图像时，在线社交网络的应用软件对图像的传输过程中会引入传输环境噪 声。待检测图像在经过传输之前可能是经过人为处理的图像，例如，一个原始 图像，经过图像编辑类工具photoshop编辑后得到一个包含伪造区域的图像，包 含伪造区域的图像经过在线社交网络的应用软件传输后生成待检测图像。
70.步骤s102，将所述待检测图像输入图像检测模型，输出所述待检测图像中 的真实区域和伪造区域的检测结果；其中，所述图像检测模型采用加入了传输 环境噪声的训练样本训练获得。
71.所述真实区域，指待检测图像中没有经过加工处理过的区域。
72.所述伪造区域，指待检测图像中经过加工处理的区域。例如，原图为一片 草地，经过图像编辑工具photoshop在图像中插入一个汽车图像，则插入的汽车 图像为伪造区域。
73.当图像检测模型在进行训练时，采用的是加入了在特定的传输环境下的传 输环境噪声时，训练出的图像检测模型只能检测经过特定的传输环境传输后的 待检测图像，为了使图像检测模型具有泛化性，即可以针对经过其他的传输环 境传输过的图像进行检测，可以在图像检测模型的训练样本中还加入有对抗噪 声。作为一种实施方式，所述图像检测模型的训练样本中还加入有对抗噪声。
74.例如，如图2中的检测器，为图像检测模型，其采用加入了传输环境噪声 的训练样本训练获得，伪造输入图像为待检测图像，将伪造输入图像输入检测 器f
θ
，得到待检测图像中的真实区域和伪造区域的检测结果。
75.本技术第一实施例提供的图像检测方法，由于图像检测模型在训练时在训 练样本中加入了传输环境噪声，因此，图像检测模型能够很好的检测出经过传 输环境传输后的待检测图像中的真实区域和伪造区域，提高了伪造图像检测的 准确性；进一步，在优选方案中，在图像检测模型的训练样本中加入对抗噪声， 使图像检测模型具有泛化性。
76.本技术第二实施例提供一种图像检测模型的获得方法，以下结合图3、图 4进行说明。
77.步骤s301中，在原图像中加入伪造图像，获得初始样本。
78.步骤s302中，在所述初始样本中加入预设传输环境的传输环境噪声，获得 加入传输环境噪声的加工后样本。
79.所述预设传输环境可以是某个在线社交网络的应用软件，也可以是打印图 像时进行上传的传输环境，也可以是其他的传输环境。
80.所述在所述初始样本中加入预设传输环境的传输环境噪声，获得加入传输 环境噪声的加工后样本，包括：
81.将作为所述初始样本的图像提供给预设传输环境，经过所述预设传输环境 的传输后，将经过传输的图像作为所述加入传输环境噪声的加工后样本；或者，
82.构造模拟预设传输环境的传输环境模拟模型，向作为初始样本的图像中加 入模拟传输环境噪声τ，将经过上述处理后的图像作为所述加入传输环境噪声 的加工后样本。
83.在所述初始样本中加入预设传输环境的传输环境噪声，获得加入传输环境 噪声的加工后样本时，可以将作为初始样本的图像提供给预设传输环境，经过 传输环境传输后，生成加入传输环境噪声的加工后样本。但是，在样本数量很 大时，采用此种方法效率比较低。为了提高生成加工后样本的效率，本技术第 二实施例还可以采用通过模拟预设传输环境的传输环境模拟模型模拟出传输环 境噪声，并将模拟出的传输环境噪声加入初始样本的图像中，生成加入传输环 境噪声的加工后样本。
84.步骤s303中，在将所述加工后样本作为训练样本，提供给待训练的图像检 测模型，对其进行识别真实区域和伪造区域的训练。
85.作为一种实施方式，在所述初始样本中加入预设传输环境的传输环境噪声 后，还可以进一步加入对抗噪声，获得加入传输环境噪声和对抗噪声的加工后 样本。
86.当采用模拟预设传输环境的传输环境模拟模型生成加入传输环境噪声的加 工后样本时，本技术第二实施例还包括下述步骤：获得所述传输环境模拟模型。
87.具体的，获得所述传输环境模拟模型的方法可以包括如下步骤：
88.将原图像提供给预设的传输环境，获得经过预设的传输环境传输的实际传 输后图像；
89.使用所述经过传输环境传输的图像作为样本，提供给待训练的传输环境模 拟模型，并根据待训练的传输环境模拟模型的输出，加工生成传输环境预测图 像；
90.将所述实际传输后图像与所述传输环境预测图像比较，生成调整衡量指标；
91.依据所述调整衡量指标，调整所述待训练的传输环境模拟网络，直至达到 预设的
调整目标。
92.请参见图4，其为本技术的第二实施例提供的一种获得传输环境模拟模型的 流程图，具体包括步骤s401至s404。
93.步骤s401，将原图像提供给预设的传输环境，获得经过预设的传输环境传 输的实际传输后图像。
94.如图2中的2-1为一种获得传输环境模拟模型的示意图。从数据库d1中获 得原图x，将原图x提供给预设的传输环境，获得经过预设的传输环境传输的实 际传输后图像传输x。
95.步骤s402，将提供给预设的传输环境的所述原图像作为样本，提供给待训 练的传输环境模拟模型，并根据待训练的传输环境模拟模型的输出，生成传输 环境预测图像。
96.所述待训练的传输环境模拟模型采用神经网络模型。
97.所述传输环境模拟模型的输出可以是模拟获得的传输环境噪声本身。
98.如图2中的2-1，预测x为生成的传输环境预测图像。
99.步骤s403，将所述实际传输后图像与所述传输环境预测图像比较，生成调 整衡量指标。
100.所述调整衡量指标指用于衡量模拟获得的传输环境噪声和真实传输噪声之 间的距离。所述调整衡量指标包括：损失函数。
101.步骤s404，依据所述调整衡量指标，调整所述待训练的传输环境模拟模型， 直至达到预设的调整目标。
102.所述预设的调整目标包括：以目标函数为衡量标准的调整目标、以回归损 失函数为衡量标准的调整目标等。
103.所述对抗噪声可以采用下述方式获得：
104.给定输入图像x，获得传输环境模拟模型对该图像的预测结果，加工获得初 步预测噪声τo；
105.根据所述给定输入图像x、标注伪造区域取值y、待训练的图像检测模型初 步输出的伪造区域取值初步预测噪声τo，构造所述对抗噪声ξ。
106.下面介绍获得初步预测噪声τo的过程。
107.设传输环境模拟模型为g
φ
，其中φ是传输环境模拟模型中可训练的参数簇， 通用目标函数可表示为：
[0108][0109]
此处可以选择基于二范数的回归损失函数：
[0110][0111]
由于传输环境噪声的不可见性及微小性，为了确保传输环境模拟模型能够 精确地对其进行回归预测，本技术可以采用残差学习技术，将预测传输后的图 像转换为预测残差，使传输环境模拟模型能够更好的对微小波动进行刻画，即：
[0112][0113]
由于在线社交网络的流程中通常采用jpeg压缩，为了确保回归预测的噪 声也具
有类似的压缩噪声分布，可以在神经网络模型中嵌入可微分的jpeg压 缩卷积层使神经网络不仅能更契合真实的传播流程，也能确保预测的残差 具有压缩噪声性质。考虑到神经网络模块需要具备可微分性，本技术对jpeg压 缩过程中的量化操作进行可微分近似。即将量化操作使用以下可求导的式子代 替：
[0114][0115]
关于jpeg的其它处理都可以通过网络拟合。通过上述处理，最终可获得 模拟的初步预测噪声τo：
[0116][0117]
下面介绍根据给定输入图像x、标注伪造区域取值y、待训练的图像检测模 型初步输出的伪造区域取值y^，初步预测噪声τo，构造所述对抗噪声ξ的过程。
[0118]
从图像检测模型角度出发，噪声可被分解为影响检测效果与不影响检测效 果的两类。由于不影响检测效果的噪声不会降低图像检测模型的性能，因此无 需对其建模；而对于影响检测效果的噪声，本技术提出采用可学习的对抗噪声 进行建模。其中，对抗噪声是近年来新兴的一种对抗样本，旨在使用微小的扰 动影响深度神经网络的判断。
[0119]
具体而言，对于图像检测模型给定输入图像x、标注伪造区域取值y、待训 练的图像检测模型初步输出的伪造区域取值y^，初步预测噪声τo，影响检测效果 的对抗噪声ξ可设计为：
[0120][0121]
其中为sign函数，表示计算交叉熵损失函数的梯度，而则为：
[0122][0123]
以上所定义的对抗噪声从图像检测模型本身出发，可以极大地提升模型的鲁 棒性、泛化性。
[0124]
但是，目前定义的对抗噪声是依赖于特定的输入样本，从而缺少泛化到未 知样本的能力。为了全面的提升模型的泛化能力，本技术提出将该对抗噪声的 方向调整为全局的梯度方向，并采用随机拟合的思想，从已知的样本中随机生 成噪声子集。具体而言，对于第t个给定输入图像x，所述对抗噪声ξ设定为前 t-1个图像样本的平均梯度：
[0125][0126]
其中对抗噪声ξ初始化为0。
[0127]
虽然上式可用于描述输入样本的平均梯度，其仅仅能反映已知样本(即训 练数据)的分布，而难以反映未知样本的分布。因此，本技术提出使用含参模 型对其进一步建模。为了采用合适的模型，首先对1000个随机噪声进行t-sne (t-distributed stochastic neighbor embedding，是用于降维的一种机器学习算法) 可视化分析。可视化结果显示采样噪声点聚焦于某中心点，而逐步向外扩散。 故此本技术可以使用高斯模型对对抗噪声建模：
[0128][0129]
其中u为如下定义的高斯模型均值：
[0130][0131]
σ为实验确定的高斯模型方差，∈是用于调节噪声强度的超参。至此，实际 训练中可用上述的含参模型并结合蒙特卡洛采样法对噪声ξ高效、便捷的采样。
[0132]
经过对初步预测噪声和对抗噪声的建模，可得本技术的优化目标：
[0133][0134]
其输出即为最终获得的图像检测模型，可用于实际情境中的伪造检测。具 体算法流程详情如下：
[0135][0136]
其中，算法所需输入：训练数据集d1及d2；训练迭代次数n1及n2；训 练时的学习率l
φ
及l
θ
。
[0137]
算法最终输出：训练好的检测器f
θ
。
[0138]
至此，完成了对本技术第二实施例的介绍，本技术第二实施例提出结合使 用深度神经网络、残差学习、可微jpeg模块等，对其所引入的传输环境噪声进 行模拟刻画。在训练框架中引入该种模拟噪声，可使得图像检测模型具有优良 的稳健性。同时，本技术基于对抗噪声、随机梯度法、高斯模型等，创新性的 提出鲁棒噪声的建模方式，使其能够极大的提升图像检测模型的性能。综上所 述，本技术基于初步预测噪声τo和对抗噪声ξ合理的建模，实现了令人满意的对 抗在线社交网络传输的鲁棒性和准确的伪造检测效果。
[0139]
为了更清楚的理解本技术，下面结合图2介绍一种根据本技术第一实施例 和第二实施例设计的整体框架。
[0140]
本技术提出具有高鲁棒性的伪造检测框架，如图2所示，其主要包含四个 阶段：1)osn模拟网络g
φ
的训练，对应2-1；2)传输环境噪声τ的建模，对应 2-2；3)未知噪声ξ的建模，对应2-3；及4)检测器f
θ
的训练，对应2-4。经过 上述四个阶段之后，可得到训练好的检测器f
θ
，以用于实际中的伪造检测，对应 于2-5。
[0141]
与本技术第一实施例提供的图像检测方法相对应的，本技术第三实施例提 供一种图像检测装置。
[0142]
所述图像检测装置，包括：
[0143]
待检测图像获得单元，用于获得待检测图像；
[0144]
图像检测单元，用于将所述待检测图像输入图像检测模型，输出所述待检 测图像中的真实区域和伪造区域的检测结果；其中，所述图像检测模型采用加 入了传输环境噪声的训练样本训练获得。
[0145]
作为一种实施方式，包括：所述图像检测模型的训练样本中还加入有对抗 噪声。
[0146]
需要说明的是，对于本技术第三实施例提供的图像检测装置的详细描述可 以参考对本技术第一实施例的相关描述，这里不再赘述。
[0147]
与本技术第一实施例提供的图像检测方法相对应的，本技术第四实施例提 供一种电子设备，包括：
[0148]
处理器；以及
[0149]
存储器，用于存储图像检测方法的程序，该设备通电并通过所述处理器运 行该图像检测方法的程序后，执行下述步骤：
[0150]
获得待检测图像；
[0151]
将所述待检测图像输入图像检测模型，输出所述待检测图像中的真实区域 和伪造区域的检测结果；其中，所述图像检测模型采用加入了传输环境噪声的 训练样本训练获得。
[0152]
需要说明的是，对于本技术第四实施例提供的电子设备的详细描述可以参 考对本技术第一实施例的相关描述，这里不再赘述。
[0153]
与本技术第一实施例提供的图像检测方法相对应的，本技术第五实施例提 供一种存储设备，存储有图像检测方法的程序，该程序被处理器运行，执行下 述步骤：
[0154]
获得待检测图像；
[0155]
将所述待检测图像输入图像检测模型，输出所述待检测图像中的真实区域 和伪造区域的检测结果；其中，所述图像检测模型采用加入了传输环境噪声的 训练样本训练获得。
[0156]
需要说明的是，对于本技术第五实施例提供的存储设备的详细描述可以参 考对本技术第一实施例的相关描述，这里不再赘述。
[0157]
与本技术第二实施例提供的图像检测模型的获得方法相对应的，本技术第 六实施例提供一种图像检测模型的获得装置。
[0158]
所述图像检测模型的获得装置，包括：
[0159]
初始样本获得单元，用于在原图像中加入伪造图像，获得初始样本；
[0160]
加工后样本获得单元，用于在所述初始样本中加入预设传输环境的传输环 境噪声，获得加入传输环境噪声的加工后样本；
[0161]
图像检测模型训练单元，用于将所述加工后样本作为训练样本，提供给待 训练的图像检测模型，对其进行识别真实区域和伪造区域的训练。
[0162]
作为一种实施方式，所述图像检测模型的获得装置还包括：对抗噪声加入 单元，用于在所述初始样本中加入预设传输环境的传输环境噪声后，进一步加 入对抗噪声，获得加入传输环境噪声和对抗噪声的加工后样本。
[0163]
作为一种实施方式，所述加工后样本获得单元，具体用于：
[0164]
将作为所述初始样本的图像提供给预设传输环境，经过所述预设传输环境 的传输后，将经过传输的图像作为所述加入传输环境噪声的加工后样本；或者，
[0165]
构造模拟预设传输环境的传输环境模拟模型，向作为初始样本的图像中加 入模拟传输环境噪声τ，将经过上述处理后的图像作为所述加入传输环境噪声 的加工后样本。
[0166]
作为一种实施方式，所述图像检测模型的获得装置，还包括：传输环境模 拟模型获得单元，用于：
[0167]
将原图像提供给预设传输环境，获得经过预设传输环境传输的实际传输后 图像；
[0168]
使用所述经过传输环境传输的图像作为样本，提供给待训练的传输环境模 拟模型，并根据待训练的传输环境模拟模型的输出，加工生成传输环境预测图 像；
[0169]
将所述实际传输后图像与所述传输环境预测图像比较，生成调整衡量指标；
[0170]
依据所述调整衡量指标，调整所述待训练的传输环境模拟模型，直至达到 预设的调整目标。
[0171]
作为一种实施方式，所述调整衡量指标包括损失函数。
[0172]
作为一种实施方式，所述待训练的传输环境模拟模型采用神经网络模型， 所述神经网络模型中嵌入可微分的jpeg压缩卷积层
[0173]
作为一种实施方式，所述图像检测模型的获得装置，还包括：对抗噪声获 得单元，用于：
[0174]
给定输入图像x，获得传输环境模拟模型对该图像的预测结果，加工获得初 步预测噪声τo；
[0175]
根据所述给定输入图像x、标注伪造区域取值y、待训练的图像检测模型初 步输出的伪造区域取值初步预测噪声τo，构造所述对抗噪声ξ。
[0176]
作为一种实施方式，所述对抗噪声获得单元具体用于：对于第t个给定输入 图像x，所述对抗噪声ξ设定为前t-1个图像样本的平均梯度。
[0177]
需要说明的是，对于本技术第六实施例提供的装置的详细描述可以参考对 本技术第二实施例的相关描述，这里不再赘述。
[0178]
与本技术第二实施例提供的图像检测模型的获得方法相对应的，本技术第 七实施例提供一种电子设备。
[0179]
所述电子设备包括：
[0180]
处理器；以及
[0181]
存储器，用于存储图像检测模型的获得方法的程序，该设备通电并通过所 述处理器运行该图像检测模型的获得方法的程序后，执行下述步骤：
[0182]
在原图像中加入伪造图像，获得初始样本；
[0183]
在所述初始样本中加入预设传输环境的传输环境噪声，获得加入传输环境 噪声的加工后样本；
[0184]
将所述加工后样本作为训练样本，提供给待训练的图像检测模型，对其进 行识别真实区域和伪造区域的训练。
[0185]
作为一种实施方式，在所述初始样本中加入预设传输环境的传输环境噪声 后，进一步加入对抗噪声，获得加入传输环境噪声和对抗噪声的加工后样本。
[0186]
作为一种实施方式，在所述初始样本中加入预设传输环境的传输环境噪声， 获得加入传输环境噪声的加工后样本，包括：
[0187]
将作为所述初始样本的图像提供给预设传输环境，经过所述预设传输环境 的传输后，将经过传输的图像作为所述加入传输环境噪声的加工后样本；或者，
[0188]
构造模拟预设传输环境的传输环境模拟模型，向作为初始样本的图像中加 入模拟传输环境噪声τ，将经过上述处理后的图像作为所述加入传输环境噪声 的加工后样本。
[0189]
作为一种实施方式，获得所述传输环境模拟模型的方法包括如下步骤：
[0190]
将原图像提供给预设传输环境，获得经过预设传输环境传输的实际传输后 图像；
[0191]
使用所述经过传输环境传输的图像作为样本，提供给待训练的传输环境模 拟模型，并根据待训练的传输环境模拟模型的输出，加工生成传输环境预测图 像；
[0192]
将所述实际传输后图像与所述传输环境预测图像比较，生成调整衡量指标；
[0193]
依据所述调整衡量指标，调整所述待训练的传输环境模拟模型，直至达到 预设的调整目标。
[0194]
作为一种实施方式，所述调整衡量指标包括损失函数。
[0195]
作为一种实施方式，所述待训练的传输环境模拟模型采用神经网络模型， 所述神经网络模型中嵌入可微分的jpeg压缩卷积层
[0196]
作为一种实施方式，所述对抗噪声采用下述方式获得：
[0197]
给定输入图像x，获得传输环境模拟模型对该图像的预测结果，加工获得初 步预测噪声τo；
[0198]
根据所述给定输入图像x、标注伪造区域取值y、待训练的图像检测模型初 步输出的伪造区域取值初步预测噪声τo，构造所述对抗噪声ξ。
[0199]
作为一种实施方式，对于第t个给定输入图像x，所述对抗噪声ξ设定为前 t-1个图像样本的平均梯度。
[0200]
需要说明的是，对于本技术第七实施例提供的电子设备的详细描述可以参 考对本技术第二实施例的相关描述，这里不再赘述。
[0201]
与本技术第二实施例提供的图像检测模型的获得方法相对应的，本技术第 八实
施例提供一种存储设备，存储有图像检测模型的获得方法的程序，该程序 被处理器运行，执行下述步骤：
[0202]
在原图像中加入伪造图像，获得初始样本；
[0203]
在所述初始样本中加入预设传输环境的传输环境噪声，获得加入传输环境 噪声的加工后样本；
[0204]
将所述加工后样本作为训练样本，提供给待训练的图像检测模型，对其进 行识别真实区域和伪造区域的训练。
[0205]
需要说明的是，对于本技术第八实施例提供的存储设备的详细描述可以参 考对本技术第二实施例的相关描述，这里不再赘述。
[0206]
本技术虽然以较佳实施例公开如上，但其并不是用来限定本技术，任何本 领域技术人员在不脱离本技术的精神和范围内，都可以做出可能的变动和修改， 因此本技术的保护范围应当以本技术权利要求所界定的范围为准。
[0207]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、存储器映 射输入/输出接口、网络接口和内存。
[0208]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。 内存是计算机可读介质的示例。
[0209]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任 何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序 的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、 静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随 机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器 (eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数 字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁 性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。 按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
[0210]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程 序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和 硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算 机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、 光学存储器等)上实施的计算机程序产品的形式。