检测器生成方法、生成图检测方法、存储介质、电子设备与流程

本技术涉及图像处理，特别是涉及一种检测器生成方法及装置、生成图检测方法及装置、计算机可读存储介质、电子设备、计算机程序产品。

背景技术：

1、随着人工智能技术的不断进步，人工智能生成内容(aigc，artificialintelligence generated content)已经成为数字内容创作的一个革命性力量。在内容问答、绘画、摄影、视频制作及其他多种媒体领域，aigc技术展示了其强大的自动化和创新能力，为使用者们提供了创作可能性。

2、在带来技术革新的同时，aigc的崛起也带来了一系列问题和挑战，因为ai生成图像具有令人信服的逼真度和难以辨认的真伪，可能被用于不良目的。

3、为确保使用安全性，可以通过检测器进行图像检测，确定所用图像是否为ai生成图，但目前已有的检测器在真实世界检测场景下的检测性能较差，存在检测速度慢、检测准确度较低等问题。

4、如何提高检测器的检测性能，成为需要本领域技术人员解决的技术问题。

技术实现思路

1、本技术提供了一种检测器生成方法及装置、生成图检测方法及装置、计算机可读存储介质、电子设备、计算机程序产品，有助于提高检测器的检测性能。

2、本技术提供了如下方案：

3、一种检测器生成方法，包括：

4、获得训练数据集，所述训练数据集中包括多张不同类型的样本图，所述样本图的类型至少包括真图类型、真图重构图类型、假图类型以及假图重构图类型；其中，所述真图重构图类型的样本图由所述真图类型的样本图生成，所述假图重构图类型的样本图由所述假图类型的样本图生成；

5、获得用于生成图检测的初始模型；

6、以所述样本图作为所述初始模型的输入进行模型训练，获得检测器。

7、其中，所述方法还包括：

8、构造所述初始模型关联的对比损失函数和交叉熵损失函数，以在所述模型训练过程中，根据所述对比损失函数和所述交叉熵损失函数，进行模型参数调整，获得所述检测器。

9、其中，所述对比损失函数为：

10、

11、其中，zi为第i个样本图的特征向量，表示正样本特征向量，表示负样本特征向量，sim表示相似性度量，τ为温度参数。

12、其中，所述方法还包括：

13、在所述模型训练的需求发生变化时，调整所述对比损失函数和所述交叉熵损失函数各自对应的权重。

14、其中，通过扩散模型生成所述真图重构图类型的样本图和所述假图重构图类型的样本图。

15、其中，所述通过扩散模型生成所述真图重构图类型的样本图和所述假图重构图类型的样本图，包括：

16、确定至少一个稳定扩散模型；

17、将所述真图类型的样本图输入所述至少一个稳定扩散模型中的至少一个，获得对应的所述真图重构图类型的样本图；以及，

18、将所述假图类型的样本图输入所述至少一个稳定扩散模型中的至少一个，获得对应的所述假图重构图类型的样本图；

19、其中，所述真图类型的样本图具有第一分类标识，所述真图重构图类型的样本图、所述假图类型的样本图以及所述假图重构图类型的样本图具有第二分类标识。

20、其中，所述方法还包括：

21、对所述样本图进行随机数据增强处理，并将处理后的样本图作为所述初始模型的输入。

22、一种生成图检测方法，包括：

23、获得待测图像，输入用于生成图检测的检测器，所述检测器由多张不同类型的样本图训练获得，所述样本图的类型至少包括真图类型、真图重构图类型、假图类型以及假图重构图类型；其中，所述真图重构图类型的样本图由所述真图类型的样本图生成，所述假图重构图类型的样本图由所述假图类型的样本图生成；

24、获得所述检测器输出的检测结果，所述检测结果用于表示所述待测图像是否为智能生成图。

25、一种生成图检测方法，包括：

26、用于生成图检测的检测器部署于终端设备后，执行以下处理：

27、获得所述终端设备提供的待测图像，作为所述检测器的输入，所述检测器由多张不同类型的样本图训练获得，所述样本图的类型至少包括真图类型、真图重构图类型、假图类型以及假图重构图类型；其中，所述真图重构图类型的样本图由所述真图类型的样本图生成，所述假图重构图类型的样本图由所述假图类型的样本图生成；

28、向所述终端设备输出检测结果，所述检测结果用于表示所述待测图像是否为智能生成图。

29、其中，所述检测器为轻量级图像分类模型。

30、一种生成图检测方法，包括：

31、用于生成图检测的检测器部署于云端服务器后，执行以下处理：

32、获得所述云端服务器提供的待测图像，作为所述检测器的输入，所述检测器由多张不同类型的样本图训练获得，所述样本图的类型至少包括真图类型、真图重构图类型、假图类型以及假图重构图类型，其中，所述真图重构图类型的样本图由所述真图类型的样本图生成，所述假图重构图类型的样本图由所述假图类型的样本图生成；

33、向所述云端服务器输出检测结果，所述检测结果用于表示所述待测图像是否为智能生成图。

34、一种检测器生成装置，包括：

35、数据集获得单元，用于获得训练数据集，所述训练数据集中包括多张不同类型的样本图，所述样本图的类型至少包括真图类型、真图重构图类型、假图类型以及假图重构图类型；其中，所述真图重构图类型的样本图由所述真图类型的样本图生成，所述假图重构图类型的样本图由所述假图类型的样本图生成；

36、初始模型获得单元，用于获得用于生成图检测的初始模型；

37、模型训练单元，用于以所述样本图作为所述初始模型的输入进行模型训练，获得检测器。

38、一种生成图检测装置，包括：

39、待测图像获得单元，用于获得待测图像，输入用于生成图检测的检测器，所述检测器由多张不同类型的样本图训练获得，所述样本图的类型至少包括真图类型、真图重构图类型、假图类型以及假图重构图类型；其中，所述真图重构图类型的样本图由所述真图类型的样本图生成，所述假图重构图类型的样本图由所述假图类型的样本图生成；

40、检测结果获得单元，用于获得所述检测器输出的检测结果，所述检测结果用于表示所述待测图像是否为智能生成图。

41、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项所述的方法的步骤。

42、一种电子设备，包括：

43、一个或多个处理器；以及

44、与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令，所述程序指令在被所述一个或多个处理器读取执行时，执行前述任一项所述的方法的步骤。

45、一种计算机程序产品，包括计算机程序/计算机可执行指令，所述计算机程序/计算机可执行指令被电子设备中的处理器执行时实现前述任一项所述方法的步骤。

46、根据本技术提供的具体实施例，本技术公开了以下技术效果：

47、本技术实施例中，可以在收集到真图类型的样本图和假图类型的样本图后，再基于真图类型的样本图生成真图重构图类型的样本图并组成图像对，以及基于假图类型的样本图生成假图重构图类型的样本图并组成图像对，进而通过图像对比学习的方式，使检测器从图像自身具有的固有特征中，学习到真实图像与生成图像之间存在的细微差异。

48、如此训练所得检测器在进行生成图检测时，既无需执行图像重构、残差图计算等耗时操作，可大幅降低检测耗时；又能直接基于待测图像自身的固有特征进行生成图检测，解决过拟合于图像语义特征的问题，提高检测准确度，实现本技术实施例优化检测器的检测性能的目的。

49、当然，实施本技术的任一产品并不一定需要同时达到以上所述的所有优点。