在数字媒体技术飞速发展的今天，深度伪造（Deepfake）技术带来的安全威胁日益严峻。传统的被动检测方法往往滞后于伪造技术的演进，而主动防御技术——特别是水印技术——因其先验性和可追溯性逐渐成为研究热点。然而，现有水印方案在鲁棒性、功能性和效率方面仍存在显著局限。新加坡国立大学与山东大学的研究团队近期提出的FractalForensics方法，通过创新的分形水印矩阵设计，实现了深度伪造的检测与精确定位，为这一领域带来了重要突破。
传统水印技术主要分为鲁棒水印和半脆弱水印两类。鲁棒水印旨在抵抗常规图像处理操作（如压缩、噪声添加），但在面对恶意篡改时缺乏敏感性；半脆弱水印虽对篡改具有响应，却常因鲁棒性不足而在良性处理中失效。更关键的是，现有方法大多仅能实现二分类的鉴伪判断，无法定位伪造的具体区域，且依赖与原始水印的比对，需要存储大量ground-truth数据，导致计算和存储资源的高消耗。FractalForensics的核心创新在于将水印从向量形式扩展为矩阵结构，并引入分形几何与混沌加密，构建了一个参数化、可定制的水印生成与嵌入框架。
该方法的水印生成流程基于分形几何的可迭代特性，以标准希尔伯特曲线为例，通过旋转（r）、镜像（m）和次序改变（o）三个参数生成144种分形变体，确保了水印的多样性和唯一性。随后，利用混沌加密系统对分形矩阵进行加密，参数包括初始值x_0、控制参数a、起始位置k和位数d，使水印具有高度的随机性和安全性。这种参数化设计允许用户通过保存少量参数即可重建水印，无需存储完整矩阵，极大降低了存储开销。加密后的水印值被转换为四位二进制表示，以提高嵌入和提取的容错率。
在水印嵌入阶段，FractalForensics采用entry-to-patch策略，将图像划分为32×32的patch，并将水印矩阵按位置对应嵌入。每个四位二进制水印值被调整为通道数为4的特征图，保持空间对齐。通过使用远小于patch大小的卷积核，该方法确保了patch间水印的独立性，避免交叉干扰。当图像遭遇Deepfake篡改时，被修改区域的patch会丢失水印信息，而未篡改区域则保留水印，从而同时实现检测和定位。实验显示，该方法在CelebA-HQ数据集上对常见图像处理（如JPEG压缩、高斯噪声）保持了最优鲁棒性，而对Deepfake篡改表现出合理脆弱性，定位精度聚焦于人脸区域或更广的离散区域，具体取决于伪造类型。
进一步地，通过计算水印恢复率在鲁棒性和脆弱性之间的差异，FractalForensics在Deepfake检测的AUC指标上超越了被动检测的SOTA方法，展示了其高效性。伪造定位的可视化结果清晰表明，在面对良性处理时无错误定位，而在face swapping和face reenactment攻击中能准确标识篡改区域。这一技术不仅提升了检测精度，还为实际应用如内容审核、司法取证提供了可操作的解决方案。
总体而言，FractalForensics通过分形水印矩阵和智能嵌入策略，解决了主动防御中的关键痛点，推动了深度伪造检测向更精准、高效的方向发展。未来，该方法可扩展至视频和实时流媒体场景，并探索与其他AI技术的融合，以应对日益复杂的伪造挑战。
关注“鲸栖”小程序，掌握最新AI资讯
本文由鲸栖原创发布，未经许可，请勿转载。转载请注明出处：http://www.itsolotime.com/archives/8259