（一）基于卷积神经网络的假人脸识别（Fake Faces Identification via Convolutional Neural Network）2018

（一）【假人脸识别】基于卷积神经网络的假人脸识别（Fake Faces Identification via Convolutional Neural Network）2018

paper：Fake Faces Identification via Convolutional Netural Network

code：

GAN作为生成模型广泛应用于各个领域，基于这种模型可以获得高视觉质量的假脸图像，假脸的滥用可能会导致道德和法律上的问题。本篇论文提出基于卷积神经网络去识别利用最新方法生成的假脸图像，实验结果表明，该方法能获得满意的结果，平均准确率在99.4%以上。此外，此外，我们还提供了对CNN体系结构的一些变体进行比较评估的结果，包括高通滤波器、层组数目和激活函数，进一步验证了该方法的合理性。

论文结构：

Section1：介绍深度学习模型的广泛应用-》提出本文改进过的CNN结构

Section2：介绍两种基于GAN的人脸生成研究

1. 平衡GAN两部分的平衡方法来生成令人满意的人脸图像
2. 构建和训练GaN以产生高质量图像的渐进策略。

具体方法：

先对低辨率图像进行简单的GaN训练，然后在训练阶段逐步增加更多的层次，使模型适应于高分辨率图像，而不是对整个GaN进行高分辨率图像的训练。实验证明生成的1024x1024的 图像难以用肉眼进行辨别，也生成了较差的图片如图8所示

 

Section3：介绍基于CNN的检测方法

提出了一种改进的CNN结构如上图所示，使用基于CNN的方法来检测所产生的假人脸图像。

Input：大小为MXMX3的RGB彩色图像

由于伪人脸图像和真实人脸图像的内容非常相似，预计这两种图像的主要区别将残差区域上得到反映。

1. 首先使用高通滤波器将输入图像转换为残差。
2. 产生的残差被输入到三层组中。
3. 每组包括一个卷积层(3×3大小，1×1步长)和一个最大汇聚层(2×2大小，2×2步长)。  
4. 第一组中卷积层的输出特征映射数为32，而其他卷积层的输出特征映射数为相应输入特征映射数的两倍。
5. 最后一组的输出特征映射随后被聚合并输入到两个完全连接的层中。他们都装备了LRELu，分别由1024，512个单位组成。最后，Softmax 层用于产生输出概率。
6. 实验使用tensorflow进行训练，学习率为0.0001的Adam进行训练，。所有的权值都是用截断高斯分布初始化的，平均偏差为0，标准差为0.01。偏差被初始化为零。。 L2正则化在完全连接层中启用，λ为0.0005。在训练阶段，我们使用了64的批次大小，并对建议中的CNN进行了20批次的训练。在每个echoes之间的操作进行shuffle操作。

Section4：展示实验和讨论

1. 首先描述实验数据中的图像数据集（使用双线插值将图片的大小调整为256*256大小）
2. 然后通过实验验证了该方法在伪人脸图像识别中的有效性。

本部分划分了两个数据集：

• 仅包含主要面部区域的裁剪图像数据集。【目的减少图像背景的影响，从原始图像（256*256）中裁剪出（128*128）大小的包含面部关键点的小片段（图9）的红色框。】
• 我们获得了两组不同的图像数据，即包括人脸和背景的原始图像数据，

   3.通过实验证明该方法的合理性

通过CNN变式的比较：

• 高通滤波器

  

• 层组数
• 激活函数
•  

 

结论：

本文首先提出了一种基于cnn的伪人脸图像识别方法[20]，并给出了大量的实验结果。 方法能有效地从真实人脸图像中识别出具有较高视觉质量的假人脸图像。我们的实验结果也表明，即使目前基于GaN的方法都能产生真实的结果。 观察人脸(或其他图像对象和场景)，不可避免地会引入一些明显的统计伪影，并可作为假伪的证据。