图像检测方法、装置、设备及存储介质与流程

本申请涉及人工智能，特别涉及一种图像检测方法、装置、设备及存储介质。

背景技术：

1、随着aigc(artificial intelligence generated content，人工智能生成内容)的迅猛发展，其生成的伪造图像越来越逼真，在带来更低的创作门槛同时，也对内容监管、版权保护等造成极大威胁，因此检测一张图像是否为aigc生成的伪造图像变得日益重要。

2、在相关技术中，采用基于深度学习的图像检测方法来实现这一目标。具体来说，首先收集训练图像集并对集合中的图像进行真伪标签的标注，通过深度学习模型(如卷积神经网络模型)根据该图像本身(如图像原始的rgb像素值)得到图像的真伪检测结果，根据真伪检测结果和真伪标签的标注结果，计算该模型的损失函数值，以降低该损失函数值为目标，逐步优化模型参数，从而得到训练后的深度学习模型。我们可以输入一张待检测图像，利用上述训练后的深度学习模型，输出其属于真实图像或伪造图像的概率值，根据概率值判断该待检测图像是否为伪造图像。

3、上述相关技术提供的利用深度学习模型来检测伪造图像的方法，由于该模型的输入只是图像本身，在模型训练时，该模型只会采用图像本身的输入特征进行训练，如模型输入数据为该图像原始的rgb像素值，该模型在训练时只采用该rgb像素值学习到的特征进行模型的训练，导致模型的泛化性能较差，使得图像检测不够准确。

技术实现思路

1、本申请实施例提供了一种图像检测方法、装置、设备及存储介质，针对图像进行真伪检测的场景，提高了图像检测模型的泛化性，以及图像检测结果的准确性。本申请实施例提供的技术方案如下：

2、根据本申请实施例的一个方面，提供了一种图像检测方法，所述方法包括：

3、获取待检测的第一图像；

4、获取所述第一图像的空域信息，以及获取所述第一图像的频域信息；其中，所述空域信息是指在所述第一图像的空间域的像素信息，所述频域信息是指在所述第一图像的频域的频谱信息；

5、通过图像检测模型根据所述空域信息和所述频域信息，得到所述第一图像的真伪检测结果；其中，所述图像检测模型是用于对图像进行真伪检测的深度神经网络模型。

6、根据本申请实施例的一个方面，提供了一种图像检测模型的训练方法，所述方法包括：

7、获取用于训练所述图像检测模型的样本图像，以及所述样本图像的真伪标注结果，所述图像检测模型是用于对图像进行真伪检测的深度神经网络模型；

8、获取所述样本图像的空域信息，以及获取所述样本图像的频域信息；其中，所述空域信息是指在所述样本图像的空间域的像素信息，所述频域信息是指在所述样本图像的频域的频谱信息；

9、通过所述图像检测模型根据所述空域信息和所述频域信息，得到所述样本图像的真伪检测结果；

10、根据所述真伪检测结果和所述真伪标注结果，对所述图像检测模型的参数进行调整，得到训练后的图像检测模型。

11、根据本申请实施例的一个方面，提供了一种图像检测装置，所述装置包括：

12、第一获取模块，用于获取待检测的第一图像；

13、第二获取模块，用于获取所述第一图像的空域信息，以及获取所述第一图像的频域信息；其中，所述空域信息是指在所述第一图像的空间域的像素信息，所述频域信息是指在所述第一图像的频域的频谱信息；

14、检测模块，用于通过图像检测模型根据所述空域信息和所述频域信息，得到所述第一图像的真伪检测结果；其中，所述图像检测模型是用于对图像进行真伪检测的深度神经网络模型。

15、根据本申请实施例的一个方面，提供了一种图像检测模型的训练装置，所述装置包括：

16、第一获取模块，用于获取用于训练所述图像检测模型的样本图像，以及所述样本图像的真伪标注结果，所述图像检测模型是用于对图像进行真伪检测的深度神经网络模型；

17、第二获取模块，用于获取所述样本图像的空域信息，以及获取所述样本图像的频域信息；其中，所述空域信息是指在所述样本图像的空间域的像素信息，所述频域信息是指在所述样本图像的频域的频谱信息；

18、检测模块，用于通过所述图像检测模型根据所述空域信息和所述频域信息，得到所述样本图像的真伪检测结果；

19、调参模块，用于根据所述真伪检测结果和所述真伪标注结果，对所述图像检测模型的参数进行调整，得到训练后的图像检测模型。

20、根据本申请实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述图像检测方法或上述图像检测模型的训练方法。

21、根据本申请实施例的一个方面，提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述图像检测方法或上述图像检测模型的训练方法。

22、根据本申请实施例的一个方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中，处理器从所述计算机可读存储介质读取并执行所述计算机程序，以实现上述图像检测方法或上述图像检测模型的训练方法。

23、本申请实施例提供的技术方案至少包括如下有益效果：

24、由于图像检测模型的输入为图像的空域信息和频域信息，因此该模型能够从图像的空域信息和频域信息中，提取图像更全面的特征来进行图像真伪检测，解决了只基于图像的单一输入特征来训练模型带来泛化性差的问题，达到了提高图像检测模型的泛化性，以及图像检测结果的准确性的技术效果。

技术特征：

1.一种图像检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述获取所述第一图像的空域信息，包括：

3.根据权利要求2所述的方法，其特征在于，所述根据所述至少一个特定颜色分量，得到所述第一图像的空域信息，包括：

4.根据权利要求3所述的方法，其特征在于，所述分别获取每个所述特定颜色分量对应的颜色分量残差，包括：

5.根据权利要求3所述的方法，其特征在于，所述根据所述颜色分量信息，得到所述第一图像的空域信息，包括：

6.根据权利要求2所述的方法，其特征在于，所述至少一个特定颜色分量包括以下至少之一：hsv颜色空间的色调h分量、hsv颜色空间的饱和度s分量、ycbcr颜色空间的蓝色色差cb分量，ycbcr颜色空间的红色色差cr分量。

7.根据权利要求1所述的方法，其特征在于，所述获取所述第一图像的频域信息，包括：

8.根据权利要求1所述的方法，其特征在于，所述通过图像检测模型根据所述空域信息和所述频域信息，得到所述第一图像的真伪检测结果，包括：

9.根据权利要求8所述的方法，其特征在于，所述图像检测模型包括：特征提取网络、交叉注意力机制和多层感知机；

10.根据权利要求1所述的方法，其特征在于，所述真伪检测结果包括以下至少之一：

11.一种图像检测模型的训练方法，其特征在于，所述方法包括：

12.根据权利要求11所述的方法，其特征在于，所述获取所述样本图像的空域信息，包括：

13.根据权利要求12所述的方法，其特征在于，所述根据所述至少一个特定颜色分量，得到所述样本图像的空域信息，包括：

14.根据权利要求11所述的方法，其特征在于，所述通过所述图像检测模型根据所述空域信息和所述频域信息，得到所述样本图像的真伪检测结果，包括：

15.根据权利要求11所述的方法，其特征在于，所述根据所述真伪检测结果和所述真伪标注结果，对所述图像检测模型的参数进行调整，得到训练后的图像检测模型，包括：

16.一种图像检测装置，其特征在于，所述装置包括：

17.一种图像检测模型的训练装置，其特征在于，所述装置包括：

18.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至10任一项所述的方法，或者如权利要求11至15任一项所述的方法。

19.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至10任一项所述的方法，或者如权利要求11至15任一项所述的方法。

20.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中，处理器从所述计算机可读存储介质读取并执行所述计算机程序，以实现如权利要求1至10任一项所述的方法，或者如权利要求11至15任一项所述的方法。

技术总结
本申请公开了一种图像检测方法、装置、设备及存储介质，属于人工智能技术领域。该方法包括：获取待检测的第一图像；获取第一图像的空域信息，以及获取第一图像的频域信息；其中，空域信息是指在第一图像的空间域的像素信息，频域信息是指在第一图像的频域的频谱信息；通过图像检测模型根据空域信息和频域信息，得到第一图像的真伪检测结果；其中，图像检测模型是用于对图像进行真伪检测的深度神经网络模型。上述方法，模型能够从图像的空域信息和频域信息中，提取图像更全面的特征来进行图像真伪检测，解决了只基于图像的单一输入特征来训练模型带来泛化性差的问题，达到了提高图像检测模型的泛化性，以及图像检测结果的准确性的技术效果。

技术研发人员：孙万祺
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：
技术公布日：2024/1/15