学位论文简介

随着生成式网络和计算机图形学的不断发展，即使是普通人也可以很容易地大规模篡改人脸的身份、表情和属性，使得人脸图像和视频的真实性受到了严峻的挑战。因此，针对深度伪造人脸图像的被动取证已成为图像内容安全领域的一个重要研究方向。为了应对深度人脸伪造技术带来的危害，取得了以下主要创新性研究成果：

1. 提出了一种基于一阶局部差分算子的深度学习算法，并建立了一个包含32万张真假人脸图像的数据集。

2. 提出了一种基于自适应操纵痕迹提取的深度卷积模型，建立了由多种伪造技术生成的15.5万张人脸图像的混合假人脸数据集。

3. 提出了一种基于导向残差的双流注意力融合网络，并设计了一种操纵痕迹提取器，可以避免不适当地预测引起的潜在偏差。此外，还设计了一种注意力融合机制，以选择性地强调特征通道映射，并自适应地分配两个流的权重。在四个公共假人脸数据集上的性能显著优于现有方法。

4. 提出了一种基于梯度算子与卷积网络结合的深度检测模型。通过重新考虑梯度算子在揭露人脸伪造方面的优势，将梯度算子与卷积网络相结合，设计了两个即插即用的模块。这两个模块可以无缝集成到多个卷积网络中，以进行端到端训练。

5. 首次提出了结构化伪造线索的概念，并验证了结构化伪造线索对于伪造检测任务的重要性。提出了一种基于数据擦除的全局伪造挖掘框架，用于促进检测网络充分挖掘人脸图像中的局部伪影和全局结构化伪造线索。

主要学术成果

1. Guo Z., Yang G., Chen J., and Sun X., Fake face detection via adaptive manipulation traces extraction network. Computer Vision and Image Understanding, 2021, 204: 103170.（CCF-B类期刊，第一作者）

2. Guo Z., Hu L., Xia M., and Yang G., Blind detection of glow-based facial forgery. Multimedia Tools and Applications, 2021, 80(5): 7687–7710. （CCF-C类期刊，第一作者）

3. Guo Z., Yang G., Chen J., and Sun X., Exposing Deepfake Face Forgeries with Guided Residuals. IEEE Transactions on Multimedia. (CCF-B类期刊，第一作者，Major Revision)

4. Guo Z., Yang G., Zhang D., and Xia M., Rethinking Gradient Operator for Exposing AI-enabled Face Forgeries. Expert Systems with Applications. (中科院一区，第一作者，Major Revision)

5. Guo Z., Yang G., Wang D., Zhang D., A Data Augmentation Framework by Mining Structured Features for Fake Face Image Detection. Computer Vision and Image Understanding. (CCF-B类期刊，第一作者，Major Revision)