买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉山东科技大学申请的专利一种基于深度学习的深度伪造压缩人脸图像鉴别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119541058B 。

龙图腾网通过国家知识产权局官网在2025-06-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411558517.2，技术领域涉及：G06V40/40；该发明授权一种基于深度学习的深度伪造压缩人脸图像鉴别方法是由倪丽娜;吕科颖;周阅微;石继涛;张金泉设计研发完成，并于2024-11-04向国家知识产权局提交的专利申请。

本一种基于深度学习的深度伪造压缩人脸图像鉴别方法在说明书摘要公布了：本发明公开了一种基于深度学习的深度伪造压缩人脸图像鉴别方法，属于人工智能的图像识别领域，包括如下步骤：步骤1、采用动态自适应离散余弦变换对深度伪造压缩人脸图像进行频域模态提取；步骤2、采用多头自注意力机制和多维熵态载荷互馈机制提取频域高维载荷特征；步骤3、基于预训练的深度残差网络提取空域特征；步骤4、基于注意力机制对频域高维载荷特征和空域特征进行特征融合；步骤5、采用包含全连接层的分类器对融合特征进行鉴别分类。本发明能对采用深度伪造手段制造出的压缩人脸图像进行高准确性鉴别。

本发明授权一种基于深度学习的深度伪造压缩人脸图像鉴别方法在权利要求书中公布了：1.一种基于深度学习的深度伪造压缩人脸图像鉴别方法，其特征在于，包括如下步骤： 步骤1、采用动态自适应离散余弦变换对深度伪造压缩人脸图像进行频域模态提取； 步骤2、采用多头自注意力机制和多维熵态载荷互馈机制提取频域高维载荷特征；具体过程为： 步骤2.1、通过多头自注意力机制捕获载荷的熵态空间上下文长远依赖关系，Q个载荷经过多头自注意力机制后形成Q个高维载荷，所有的高维载荷构成高维载荷集合S＝{s1，s2，…，sQ}，sQ为第Q个高维载荷； 步骤2.2、使用多维熵态载荷互馈机制进行多维度的细粒度特征交互和反馈注意力计算；具体过程为： 步骤2.2.1、高维载荷集合中每个高维载荷的熵态是不对称的非正态分布，通过标准差统计泛函，测量每一个高维载荷的熵态大小，并按照熵态大小对高维载荷进行全局层级排序，计算公式为： 其中，RS表示排序后的高维载荷集合；E[·]表示熵态期望值；FRank·表示排序算法； 步骤2.2.2、将排序后的高维载荷集合RS分解为两个子集，分别映射至不同的熵维度区域，两个子集分别为低熵态高维载荷子集RSa和高熵态高维载荷子集RSb，其中a、b表示不同的熵维度；高熵态载荷包含在RSb中； 步骤2.2.3、调整感知窗口的大小以及感知窗口的偏移量来非均匀的自适应重构RSb，重构时，感知窗口的边界控制因子设为原来的二倍； 经过重构后的高熵态高维载荷子集为RSb′，RSb′的高维载荷数量Q′和高维载荷维度D′的计算公式为： 步骤2.2.4、对RSa和RSb′进行双向跨维交互；具体的计算公式为： 其中，cross_attena、cross_attenb分别表示RSa、RSb′经过双向跨维交互后的高维载荷特征；gcross_attention·表示交叉注意力融合方法； 步骤2.2.5、对cross_attenb进行形状修正，将cross_attenb恢复成与cross_attena相同的形状，变为相同的形状后对cross_attena和cross_attenb在熵态维度上进行级联得到最终的频域高维载荷特征； 步骤3、基于预训练的深度残差网络提取空域特征； 步骤4、基于注意力机制对频域高维载荷特征和空域特征进行特征融合； 步骤5、采用包含全连接层的分类器对融合特征进行鉴别分类。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东科技大学，其通讯地址为：266590 山东省青岛市黄岛区前湾港路579号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。