連日來(lái)使用頻率分析識(shí)別偽造圖像向來(lái)一不斷的有小伙伴關(guān)注，不僅如此還衍生出了各大相關(guān)話題，那么跟著小編來(lái)看看使用頻率分析識(shí)別偽造圖像以及它的相關(guān)資訊吧！

它們看起來(lái)看似真實(shí)，但是它們是由計(jì)算機(jī)制成的：所謂的“偽造圖像”是由機(jī)器學(xué)習(xí)算法生成的，人類幾乎無(wú)法將它們與真實(shí)照片區(qū)分開。魯爾大學(xué)波鴻分校的霍斯特·戈?duì)柎?HorstGörtz)IT安全研究所和“大型對(duì)手時(shí)代的網(wǎng)絡(luò)安全”(Casa)卓越集群已經(jīng)開辟出一種有效識(shí)別深層偽造圖像的新方法。為此，他們分析了頻域中的對(duì)象，這是一種已建立的信號(hào)處理技術(shù)。

該團(tuán)隊(duì)在2020年7月15日的國(guó)際機(jī)器學(xué)習(xí)會(huì)議(ICML)上介紹了他們的工作，這是機(jī)器學(xué)習(xí)領(lǐng)域的領(lǐng)先會(huì)議之一。此外，研究人員可以免費(fèi)在線獵取其代碼，以便其他小組可以復(fù)制其結(jié)果。

兩種算法的相互作用產(chǎn)生新圖像

虛假圖像是“深度學(xué)習(xí)”中機(jī)器學(xué)習(xí)和“虛假”的代名詞，是在計(jì)算機(jī)模型(簡(jiǎn)稱為GENsative Adversarial Networks，簡(jiǎn)稱GAN)的幫助下生成的。在這些網(wǎng)絡(luò)中，兩種算法協(xié)同工作：第一種算法根據(jù)某些輸入數(shù)據(jù)創(chuàng)建隨機(jī)圖像。第二種算法需要確定圖像是否是偽造的。如果發(fā)現(xiàn)圖像是偽造的，則第二種算法會(huì)向第一種算法發(fā)出修改圖像的命令，直到不再將其識(shí)別為偽造的為止。

近年來(lái)，這種技術(shù)已幫助使偽造的圖像越來(lái)越真實(shí)。在網(wǎng)站www.whichfaceisreal.com上，用戶可以檢查是否能夠?qū)⒓儇浥c原始照片區(qū)分開。“在虛假新聞時(shí)代，如果用戶沒有能力將計(jì)算機(jī)生成的圖像與原始圖像區(qū)分開，那就可能是個(gè)問題，”系統(tǒng)安全主席索斯滕·霍爾茲(Thorsten Holz)教授說(shuō)。

對(duì)于他們的分析，基于Bochum的研究人員使用了數(shù)據(jù)集，這些數(shù)據(jù)集也構(gòu)成上述頁(yè)面“哪張臉是真實(shí)的”的基礎(chǔ)。在這個(gè)跨學(xué)科項(xiàng)目中，系統(tǒng)安全主席的Joel Frank，Thorsten Eisenhofer和Thorsten Holz教授與機(jī)器學(xué)習(xí)主席的Asja Fischer教授以及LeaSchönherr教授和數(shù)字信號(hào)處理主席的Dorothea Kolossa進(jìn)行了合作。

迄今為止，已經(jīng)使用復(fù)雜的統(tǒng)計(jì)方法分析了偽造的圖像。Bochum組通過使用離散余弦變換將圖像轉(zhuǎn)換到頻域中，從而選擇了另一種方法。因此，生成的圖像表示為許多不同余弦函數(shù)的總和。自然圖像主要由低頻功能組成。

分析表明，GAN生成的圖像在高頻范圍內(nèi)顯示出偽影。例如，典型的網(wǎng)格結(jié)構(gòu)浮現(xiàn)在偽造圖像的頻率表示中。“我們的實(shí)驗(yàn)表明，這些偽像不僅浮現(xiàn)在GAN生成的圖像中。它們是所有深度學(xué)習(xí)算法的結(jié)構(gòu)性問題，”系統(tǒng)安全主席Joel Frank解釋說(shuō)。“我們認(rèn)為研究中描述的偽像將始終告訴我們?cè)搱D像是否是由機(jī)器學(xué)習(xí)生成的偽造圖像，” Frank補(bǔ)充道。“因此，頻率分析是自動(dòng)識(shí)別計(jì)算機(jī)生成圖像的有效方法。”