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！

龙图腾网获悉中国科学院自动化研究所申请的专利基于多维特征融合和对比学习的人脸伪造检测模型的训练方法和人脸鉴伪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：CN121482850B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202610030343.5，技术领域涉及：G06V40/16；该发明授权基于多维特征融合和对比学习的人脸伪造检测模型的训练方法和人脸鉴伪方法是由段俊贤;赫然;郝艺铭;杨文骙;张志达设计研发完成，并于2026-01-09向国家知识产权局提交的专利申请。

本基于多维特征融合和对比学习的人脸伪造检测模型的训练方法和人脸鉴伪方法在说明书摘要公布了：公开了一种基于多维特征融合和对比学习的人脸伪造检测模型的训练方法和人脸鉴伪方法。该训练方法对包含预处理、特征提取、多维特征融合及分类模块的模型进行训练。首先获取视频样本集，将连续帧的人脸区域拼接为时空平面图像；随后基于该图像提取融合时间相关性与局部空间细节的初始时空特征，并对其执行频域特征增强以得到频率增强特征；基于频率增强特征输出预测结果并构建分类损失。训练方法还对伪造样本的初始时空特征执行特征插值数据增强以生成增强伪造特征，并结合真实样本特征构建监督式对比损失。通过加权融合分类损失与对比损失得到总损失，并据此更新模型的可学习参数。通过多维特征融合与伪造增强对比学习提升了检测精度与鲁棒性。

本发明授权基于多维特征融合和对比学习的人脸伪造检测模型的训练方法和人脸鉴伪方法在权利要求书中公布了：1.一种基于多维特征融合和对比学习的人脸伪造检测模型的训练方法，其特征在于，所述人脸伪造检测模型包括预处理模块、特征提取模块、多维特征融合模块和分类模块，所述训练方法包括： 获取视频样本集，所述视频样本集包括具有类别标签的真实样本和伪造样本； 所述预处理模块被配置为：针对所述视频样本集中的每个样本，选取预定数量的多个连续帧，并从所述多个连续帧中的每帧中提取人脸区域，将所述多个连续帧中的人脸区域按照时间顺序拼接为二维网格布局，以获得时空平面图像； 所述特征提取模块被配置为：基于所述时空平面图像提取初始时空特征，所述初始时空特征通过对用于表征所述时空平面图像中的人脸区域在时间维度上的相关性的第一特征和用于表征所述时空平面图像的局部空间细节的第二特征进行融合来获得； 所述多维特征融合模块被配置为：对所述初始时空特征执行频域特征增强处理以得到频率增强特征； 所述分类模块被配置为：基于所述频率增强特征进行视频样本分类预测并输出预测结果； 根据所述预测结果与所述类别标签构建分类损失； 对所述伪造样本的初始时空特征执行特征插值数据增强以生成增强伪造特征，并基于所述类别标签以及由所述增强伪造特征和所述真实样本的初始时空特征构成的特征集合采用监督式对比学习方法构建对比损失； 将所述分类损失与所述对比损失进行加权融合得到总损失，并基于所述总损失至少更新所述特征提取模块、所述多维特征融合模块和所述分类模块中的可学习参数，并且 其中，所述特征提取模块被配置为执行以下步骤以基于所述时空平面图像提取初始时空特征，包括：将所述时空平面图像分别输入第一分支和第二分支；在所述第一分支中，对所述时空平面图像依次执行用于通道降维的线性变换、常规卷积运算和非线性激活，并通过状态空间模型中的扫描算子对非线性激活后的特征进行序列扫描，以获得所述第一特征；在所述第二分支中，对所述时空平面图像依次执行用于通道降维的线性变换、常规卷积运算和非线性激活，以获得所述第二特征；将所述第一特征和所述第二特征进行通道拼接，并通过线性层对拼接结果进行投影，以得到所述初始时空特征；其中，所述特征提取模块中的可学习参数至少包括：所述第一分支和所述第二分支中用于线性变换的权重参数和用于常规卷积运算的卷积核参数、所述第一分支中用于实现序列扫描的状态空间模型的参数以及用于对拼接结果进行投影的所述线性层的权重参数。

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中国科学院自动化研究所，其通讯地址为：100190 北京市海淀区中关村东路95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”。

以上内容由龙图腾AI智能生成。