買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉齊魯工業大學(山東省科學院)申請的專利一種基于風格混合重組的人臉反欺騙域泛化方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120412113B 。

龍圖騰網通過國家知識產權局官網在2025-08-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510913280.3，技術領域涉及：G06V40/40；該發明授權一種基于風格混合重組的人臉反欺騙域泛化方法是由夏之秋;伊希偉;葉偉江;王春鵬;馬賓;王玉立;任啟迎;李琦;許宏吉;孫岳岳;張倩;李健;王曉雨;張佩設計研發完成，并于2025-07-03向國家知識產權局提交的專利申請。

本一種基于風格混合重組的人臉反欺騙域泛化方法在說明書摘要公布了：本發明公開一種基于風格混合重組的人臉反欺騙域泛化方法，其特征在于，包括以下步驟：S1：構造數據處理模型；S11：構造對抗學習模塊；S12：構造對比學習模塊；S13：構造風格組裝層；S14：構造損失函數；S2：訓練流程。本發明涉及圖像處理技術領域，具體地講，涉及一種基于風格混合重組的人臉反欺騙域泛化方法。本發明要解決的技術問題是提供一種基于風格混合重組的人臉反欺騙域泛化方法，提出將完整的特征分離為內容特征和風格特征，分別進行處理，內容特征通過對抗學習使其在不同域之間不可區分，而風格特征通過對比學習來強調與活性相關的信息，同時抑制域特定的信息。這種方法有效地提高了模型在未見過的域中的泛化能力。

本發明授權一種基于風格混合重組的人臉反欺騙域泛化方法在權利要求書中公布了：1.一種基于風格混合重組的人臉反欺騙域泛化方法，其特征在于，包括以下步驟： S1：構造數據處理模型； S11：構造對抗學習模塊； S12：構造對比學習模塊； S13：構造風格組裝層； S14：構造損失函數； S2：訓練流程； S21：將不同域的RGB圖像輸入進特征生成器中，將其完整的特征表示分離為內容特征和風格特征，風格特征又分為與活性相關的風格特征和特定域相關的風格特征； S22：內容特征經過抗學習模塊，輸入進瓦瑟斯坦生成對抗網絡中，使得不同域的內容特征不可區分； S23：采用對比學習的策略強調與活性相關的風格特征，抑制特定域相關的特征； S24：將風格特征輸入進柯爾莫哥洛夫-阿諾德網絡中得到更完整的表示以及風格重組層中自適應實例規范化所需要的仿射參數及； S25：將正確的風格特征及內容特征進行重組，提高數據處理模型的泛化性以及魯棒性； 所述對抗學習模塊具體為： 通過利用最大化對抗損失函數來優化內容特征生成器的參數，而在相反的方向上優化特定域特征生成器的參數，并使用以下公式表示該過程： （1）； 其中：為判別器目標； 為生成器目標； 是對抗損失函數； 表示從數據分布（）中采樣輸入圖像，和對應域標簽的期望； 是輸入圖像集合，是指示函數； 為域標簽的集合； 為不同數據域的數量； 為內容特征生成器； 為域特征生成器； 為了同時優化內容特征生成器及域特征生成器，瓦瑟斯坦生成對抗網絡用于通過使用瓦瑟斯坦距離，衡量生成分布與真實分布之間的差異，提供更平滑的梯度，使得內容特征在不同域之間保持內容特征一致性； 對于風格信息聚合，由于風格特征的尺度不同，使用金字塔網絡沿著層次結構收集多層度特征； 所述對比學習模塊具體為： 結合內容特征及風格特征，得到自組裝特征及混洗-組裝特征； 給定長度為的輸入序列，表示為輸入的第個樣本，其中，代表隨機選擇的樣本索引，就是隨機樣本； 對于自組裝特征，將其輸入到分類器，并使用具有損失函數的二進制地面實況信號真實值用來監督； 對于混洗-組裝特征，通過使用余弦相似性來度量它們與自組裝特征的差異，余弦相似性計算公式如下所示： （2）； 其中：代表范式； 和表示兩個比較的特征； 將自組裝特征設置為風格化特征空間的錨點，對其執行梯度停止操作，以固定其在特征空間的位置，然后根據活性信息引導混洗-組裝特征向其對應的錨點靠近或者遠離，因此對比損失函數表示如下： （3）； 其中：代表自組裝特征； 代表混洗-組裝特征； Stopgrad（）是深度學習框架中的一種操作； 表示給定的一段樣本序列的長度； 評估和的活性標簽一致性，模擬過程如下所示： （4）； 其中：label表示輸入樣本的二分類標簽用于區分活體和攻擊兩類樣本。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人齊魯工業大學(山東省科學院)，其通訊地址為：250300 山東省濟南市長清區大學路3501號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。