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！

龙图腾网获悉华东交通大学申请的专利一种伪造人脸鉴别方法及系统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：CN120220256B 。

龙图腾网通过国家知识产权局官网在2025-08-12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：202510677496.4，技术领域涉及：G06V40/40；该发明授权一种伪造人脸鉴别方法及系统是由曾康利;黄瑞安;吕亚楠;聂学方;苏凯;朱师鸣设计研发完成，并于2025-05-26向国家知识产权局提交的专利申请。

本一种伪造人脸鉴别方法及系统在说明书摘要公布了：本发明提供了一种伪造人脸鉴别方法及系统，该方法通过获取待鉴别人脸图像以及成对的真实人脸与伪造人脸图像数据集并聚类划分数据集；使用划分好的数据集输入多模型进行特征提取器的联合训练；固定训练好的特征提取器，并利用变分自编码器将提取到的特征映射至共享的潜在特征空间中，实现不同模型特征的深度协作融合；固定训练好的特征提取器和变分自编码器，获取输入图像的特征并送入分类器进行训练；利用训练完成的伪造人脸鉴别网络，对待检测人脸图像进行伪造鉴别。其中，通过对数据集的聚类划分有效提高模型的泛化性，并且通过变分自编码器融合不同模型特征，使得特征表达更加紧密和鲁棒，从而促进不同模型之间的互补性。

本发明授权一种伪造人脸鉴别方法及系统在权利要求书中公布了：1.一种伪造人脸鉴别方法，其特征在于，所述方法包括： 获取待鉴别人脸图像，以及成对的真实人脸与伪造人脸图像的数据集，并利用轻量级CNN提取特征，在特征空间通过K近邻进行聚类，将数据划分为多个目标数据集； 将所述目标数据集输入深度学习模型进行特征提取器的联合训练，所述深度学习模型至少包括Inception、ResNet50、ViT、EfficientNet，将所述目标数据集随机输入深度学习模型中；特征提取后进行对比学习，然后每个深度学习模型将特征输入到分类头中输出结果，根据损失函数计算出损失，进行迭代训练，使得每个深度学习模型都能作为独特的特征提取器，并使用对应测试集进行性能评估； 确定训练好的特征提取器，并利用变分自编码器将提取到的特征映射至共享的潜在特征空间，融合不同模型提取的特征，并通过KL散度约束分布，再通过解码器从潜在空间重建原特征，以确保编码过程中不会损失关键信息； 使用训练好的特征提取器和变分自编码器获取特征，并将特征输入分类器进行微调，完成伪造人脸鉴别网络的训练； 将所述待鉴别人脸图像输入训练完成的伪造人脸鉴别网络中，输出鉴别结果； 所述确定训练好的特征提取器，并利用变分自编码器将提取到的特征映射至共享的潜在特征空间，融合不同模型提取的特征，并通过KL散度约束分布，再通过解码器从潜在空间重建原特征的步骤中，固定训练好的特征提取器，提取数据集特征，简单拼接后得到特征，为输入通道数，H和W分别为输入的高度和宽度，将特征输入到变分自编码器中，经过卷积映射到共享的潜在空间，得到特征和特征，具体的， 将特征输入第一个卷积块中，通过非线性激活函数和批量归一化，得到，计算公式为： ； 其中，表示4×4卷积操作，步长为2，填充为1，表示批归一化操作，表示非线性激活函数； 将输入第二个卷积块中，通过非线性激活函数和批量归一化，得到，计算公式为： ； 其中，表示4×4卷积操作，步长为2，填充为1； 将分别输入两个卷积层中，分别得到特征和特征，计算公式为： ； ； 其中，和均表示3×3卷积操作，步长为1，填充为1； 随后通过KL散度损失约束特征和特征的特征分布； 然后使用重参数化技巧得到潜在表示z，即融合后的特征z，再利用解码器对z进行特征重建，潜在表示z的计算公式为： ； 其中，作为随机变量进行采样，通过重参数化技巧进行采样，以确保潜在表示z的梯度可以传递，使得特征和特征仍然可以通过反向传播优化。

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华东交通大学，其通讯地址为：330000 江西省南昌市经济技术开发区双港东大街808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”。