生成器模型训练及人脸重构生成方法、装置及存储介质制造方法及图纸

本发明专利技术提供一种生成器模型训练及人脸重构生成方法、装置及存储介质，该方法包括：图像重构生成步骤，获取真实人脸图像输入到生成器模型中，由生成器模型对真实人脸图像重构生成人脸重构图像；图像局部一致性强化步骤，将人脸重构图像随机裁剪为多个随机图像块并进行配对，计算各图像块对内的特征距离，计算局部特征一致性损失并更新生成器模型的参数；图像判别步骤，将图像输入到判别器模型中，由判别器模型输出图像真假的结果，计算真假判别损失并更新判别器模型的参数；重复以上3个步骤，并通过随机梯度下降法交替更新生成器模型和判别器模型的参数，训练以获得生成器模型。本发明专利技术能够有效克服对抗攻击技术对人脸图像的干扰。扰。扰。

【技术实现步骤摘要】
生成器模型训练及人脸重构生成方法、装置及存储介质


[0001]本专利技术涉及人脸识别
及深度学习
，尤其涉及生成器模型训练及人脸重构生成方法、装置及存储介质。

技术介绍

[0002]人脸识别技术在闸机出入管理、快捷支付等应用中有关键作用。由于深度学习技术的兴起，基于深度神经网络的人脸识别技术具有识别精度高、识别速度快、识别人数多等优势，逐渐在上述应用中占据主导地位。基于深度学习的人脸识别技术的鲁棒性一直以来是人工智能安全领域最关心的问题之一。然而，随着对抗攻击技术的出现，使得人脸识别技术的鲁棒性进一步受到影响。对抗攻击技术生成的攻击样本可以在原图像上附加人眼无法察觉的干扰像素，导致人脸识别的错误。近年来，因为对抗攻击技术的提出，严重影响了人脸识别技术鲁棒性提高，导致其在闸机出入管理、快捷支付等应用的部署严重受阻，人们开始探索如何对对抗攻击技术进行主动的防御，即对抗防御技术，以提升人脸识别应用在对抗攻击影响下的识别能力。
[0003]现有的对抗防御技术主要分为两大类，第一类方法需要对模型进行重新的对抗训练与部署，需要改变当前已本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于人脸识别的对抗生成网络生成器模型训练方法，其特征在于，该方法包括以下步骤：图像重构生成步骤：从训练集中获取真实人脸图像输入到预先建立的生成器模型中，经由所述生成器模型对输入的真实人脸图像进行重构而生成人脸重构图像；图像局部一致性强化步骤，该步骤包括：将所述人脸重构图像随机裁剪为多个随机图像块并进行配对获得多个图像块对，利用教师模型对各随机图像块进行特征提取，基于提取的特征计算各图像块对内的特征距离，并利用构建的局部特征一致性损失函数来基于各图像块对内的特征距离计算局部特征一致性损失；至少根据所述局部特征一致性损失更新所述生成器模型的参数；图像判别步骤：将真实人脸图像和经当前生成器输出的人脸重构图像输入到预先建立的判别器模型中，以由所述判别器模型输出指示输入的人脸重构图像是否为真实人脸图像的二分类结果，以基于所述二分类结果利用构建的判别器损失函数计算真假判别损失，并基于所述真假判别损失更新所述判别器模型的参数；重复图像重构生成步骤、图像局部一致性强化步骤和图像判别步骤，以通过随机梯度下降法交替更新所述生成器模型和判别器模型的参数，当所述真假判别损失的波动低于预设阈值时结束训练过程，从而获得经训练的生成器模型。2.根据权利要求1所述的方法，其特征在于，所述图像重构生成步骤还包括：利用构建的像素差异损失函数来基于所述生成器模型的输入真实人脸图像与输出的人脸重构图像各个像素点间的像素差异计算输入真实人脸图像与输出的人脸重构图像间的像素差异损失；和/或利用构建的身份保持损失函数来基于所述生成器模型的输入真实人脸图像与输出的人脸重构图像的身份特征向量间的距离计算输入真实人脸图像与输出的人脸重构图像间的身份保持损失；所述至少根据所述局部特征一致性损失更新所述生成器模型的参数包括：根据所述局部特征一致性损失、像素差异损失和/或身份保持损失来更新所述生成器模型的参数。3.根据权利要求2所述的方法，其特征在于，所述像素差异损失函数表示为：其中，W和H分别为图像的宽和高，和为对应的真实人脸图像和人脸重构图像在每个像素点位置的像素值；所述身份保持损失...

【专利技术属性】
技术研发人员：郑霄龙，杜沛伦，马华东，刘亮，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：