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！

龙图腾网获悉长春大学申请的专利多分支DLMDMLP和对抗生成的深度伪造检测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：CN120599454B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202511094688.9，技术领域涉及：G06V20/00；该发明授权多分支DLMDMLP和对抗生成的深度伪造检测方法是由李念峰;辛配增;田佳;白新璐;丁宏杰;高慎言;刘少杰;刘钱;肖治国设计研发完成，并于2025-08-06向国家知识产权局提交的专利申请。

本多分支DLMDMLP和对抗生成的深度伪造检测方法在说明书摘要公布了：多分支DLMDMLP和对抗生成的深度伪造检测方法，属于深度伪造监测与多媒体安全技术领域，包括获取伪造图像或视频数据集，并进行数据预处理；对DeepFake‑Adapter模型进行改进，得到改进后的KaleidoDynAdvDeepFakeDetection深度伪造检测模型；对步骤二改进后的KaleidoDynAdvDeepFakeDetection深度伪造检测模型进行训练；采用训练后的深度伪造检测模型进行伪造检测。本发明利用开源的数据集进行训练，以提高深度伪造检测判别能力AUC和准确率精度ACC和泛化性，降低了等错误率EER，提高社会安全。

本发明授权多分支DLMDMLP和对抗生成的深度伪造检测方法在权利要求书中公布了：1.多分支DLMDMLP和对抗生成的深度伪造检测方法，其特征在于：包括以下步骤，且以下步骤顺次进行： 步骤一：获取伪造图像或视频数据集，并进行数据预处理； 步骤二：对DeepFake‑Adapter模型进行改进，得到改进后的KaleidoDynAdv DeepFake Detection深度伪造检测模型； 步骤三：对步骤二改进后的KaleidoDynAdv DeepFake Detection深度伪造检测模型进行训练； 步骤四：采用训练后的深度伪造检测模型进行伪造检测； 步骤二所述改进后的KaleidoDynAdv DeepFake Detection深度伪造检测模型包括动态感知门控多尺度伪造检测感知器DLMDMLP、空域动态锚链先验模块、梯度隔离式动态对抗特征生成适配器，以及动态门控多流伪造检测网络； 所述动态感知门控多尺度伪造检测感知器DLMDMLP采用局部全局动态门控制特征融合机制，局部特征采用深度可分离卷积，全局特征采用全连接层，通过动态门控机制将局部特征和全局特征进行融合；利用全局特征信息生成门控权重；通过序列重建操作恢复标准序列结构，进入可学习多尺度特征融合结构进行处理，融合后的函数进入一个由方差驱动动态激活函数，进行自适应调整非线性响应后，进入全连接层进行恢复维度的操作，最后进入随机失活Dropout层，在前向传播过程中，随机失活Dropout以0.1的概率随机将输入神经元的输出设置为0，防止过拟合； 所述方差驱动动态激活函数的计算公式为： 方差计算：斜率计算：λ＝1+β·IIRντ15动态激活：DyGELUZ＝Z⊙σ1.702·λ·Z16其中，Z是输入特征张量，b是批次索引，i是序列位置索引，B是批次大小，N是序列长度，H是特征维度，ν是特征平均方差，Var是方差计算，τ是方差阈值，β是斜率调整系数，λ是动态斜率因子，使用的激活函数斜率，IIR为指示函数,当ντ时为1，否则为0,右下角的下标R是实数化操作，将布尔值转换为浮点数，σ指的是标准Sigmoid激活函数，1.702是标准激活函数的近似参数，⊙表示张量逐元素相乘的计算，DyGELUZ表示最后的方差驱动动态激活函数； 图像进入所述空域动态锚链先验模块后经过Stem层，经过一个步长为2的3×3卷积后，进行归一化操作和激活函数操作，进入动态空洞卷积单元DynamicDilatedConv进行动态空洞卷积操作，根据局部梯度强度动态融合特征,高纹理区域保留细节,平滑区域捕捉全局异常；经过轻量级纹理保留单元LightTexturePreserver通过残差结构保护纹理信息,左侧分支增强高频纹理,右侧跳接保留原始细节，最后经过最大池化操作，输出处理后的特征图； 处理后的特征图按顺序进入三个结构相同的卷积层，EnhancedConv2层、EnhancedConv3层和EnhancedConv4层，进入卷积层后，首先经过动态空洞卷积单元DynamicDilatedConv处理后，进入伪造模式增强单元ForgeryPatternEnhancer，通过预定义核显式增强伪造痕迹,拼接原始特征与伪选特征,通过1x1卷融合信息后，经过一个步长为2的3×3卷积以及归一化操作和激活函数操作，将处理后的特征传入下一层，在EnhancedConv4层后处理后的特征图进入嵌入映射层，对EnhancedConv2层、EnhancedConv3层和EnhancedConv4层输出按顺序进行1×1卷积操作、维度重塑以及维度置换； 所述梯度隔离式动态对抗特征生成适配器包括一个可选对抗特征生成模块，所述可选对抗特征生成模块包括两个线性层和一个GELU激活函数；所述可选的对抗特征生成模块在接收下采样特征张量后，输入特征生成器，进行第一级线性变换，执行维度压缩，经过GELU函数非线性激活后，进行第二级线性变换，执行维度回复，处理后的特征进行自适应扰动调制，包括特征均值计算、门控系数生成以及强度调制，然后注入扰动后输出；计算公式为： Gz＝W2·GELUW1·z+b1+b2   26若模块激活且训练模式，则δ＝A·Gdown·σμ28若其他情况，则δ＝029其中，A为对抗强度系数，W1为生成器第一层权重，b1为生成器第一层偏置，W2为生成器第二层权重，b2为生成器第二层偏置，down为下投影特征；GELU为激活函数；B为Batch size批量大小，L为Sequence length序列长度，d为Feature dimension特征维度；Gdown表示扰动生成，μ为特征生成器输出的全局平均值，σμ为对平均值的非线性变换，确保扰动强度在合理范围内；Gz为特征生成器函数，i为批量维度索引、j为序列长度维度索引、k为特征维度索引；σ为Sigmoid函数； 所述动态门控多流伪造检测网络输入图像同时进入VIT分支和轻量级CNN分支，从CNN分支输出的特征经过特征展平和线性投影后，与VIT分支的特征进行动态特征融合；融合后的特征序列进入12层改进Transformer块，每层包含自注意力机制和DLMDMLP，每阶段后接度隔离式动态对抗特征生成适配器，其中在3个关键层段将特征与空域动态锚链先验模块进行双向交互；最终将多尺度空间特征拼接并层归一化，提取CLS token向量，通过全连接分类头输出真假概率；所述轻量级CNN分支通过3层卷积网络提取特征，每一层卷积的核为3，步长为2，填充为1，每一层卷积之后进行ReLU激活函数激活，通过自适应平均池化调整空间尺寸；计算公式为： xcnn＝LightweightCNNx   30其中，LightweightCNNx为轻量级卷积神经网络模块操作，x为输入特征，xcnn为CNN分支输出，Hout为输出高度，Hin为输入高度，p是填充大小，d空洞率，k是卷积核大小，s是步长； 从CNN分支输出的特征经过特征展平和线性投影的操作，特征展平包括空间展平和维度重排，两步操作的公式为： flatxcnn＝reshapexcnn,[B,C,N]   32xcnn_flat＝permuteflatxcnn,[0,2,1]   33x′cnn＝Wproj·xcnn_flat+bproj   34其中flat为空间展平操作，reshape为改变张量形状的操作，重新排列张量的维度，保持元素总数不变；xcnn为CNN分支输出，B是批次大小，C是通道数，N是空间位置数N＝H×W，H为特征图高度，W为特征图宽度；xcnn_flat为空间展平和维度重排处理后的CNN特征张量，permute为重新排列张量的维度顺序；x′cnn为投影后的特征，Wproj为投影权重，bproj为投影偏置； 所述特征拼接，门控生成以及加权融合，处理完的轻量级CNN分支特征与VIT分支特征进行特征拼接，门控生成以及加权融合，等待下一步进行；三个操作的公式为： combined＝[xvit；x′cnn]   35gate＝σWg·combined+bg   36xfuse＝gate⊙xvit+1‑gate⊙x′cnn   37其中，xvit为VIT分支特征，[；]为沿通道维度拼接的计算，x′cnn为投影后的特征，combined为拼接后的特征，σ为Sigmoid激活函数，bg门控偏置，gate为门控权重，xfuse为融合后的特征。

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长春大学，其通讯地址为：130022 吉林省长春市卫星路6543号长春大学；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”。

以上内容由龙图腾AI智能生成。