很多文章的报道都是由微观而宏观，今日小编讲给大家带来的关于使用频率分析识别伪造图像的资讯也不例外，希翼可以在一定的程度上开阔你们的视野！y有对使用频率分析识别伪造图像这篇文章感兴趣的小伙伴可以一起来看看

它们看起来看似真实，但是它们是由计算机制成的：所谓的“伪造图像”是由机器学习算法生成的，人类几乎无法将它们与真实照片区分开。鲁尔大学波鸿分校的霍斯特·戈尔茨(HorstGörtz)IT安全研究所和“大型对手时代的网络安全”(Casa)卓越集群已经开辟出一种有效识别深层伪造图像的新方法。为此，他们分析了频域中的对象，这是一种已建立的信号处理技术。

该团队在2020年7月15日的国际机器学习会议(ICML)上介绍了他们的工作，这是机器学习领域的领先会议之一。此外，研究人员可以免费在线猎取其代码，以便其他小组可以复制其结果。

两种算法的相互作用产生新图像

虚假图像是“深度学习”中机器学习和“虚假”的代名词，是在计算机模型(简称为GENsative Adversarial Networks，简称GAN)的帮助下生成的。在这些网络中，两种算法协同工作：第一种算法根据某些输入数据创建随机图像。第二种算法需要确定图像是否是伪造的。如果发现图像是伪造的，则第二种算法会向第一种算法发出修改图像的命令，直到不再将其识别为伪造的为止。

近年来，这种技术已帮助使伪造的图像越来越真实。在网站www.whichfaceisreal.com上，用户可以检查是否能够将假货与原始照片区分开。“在虚假新闻时代，如果用户没有能力将计算机生成的图像与原始图像区分开，那就可能是个问题，”系统安全主席索斯滕·霍尔兹(Thorsten Holz)教授说。

对于他们的分析，基于Bochum的研究人员使用了数据集，这些数据集也构成上述页面“哪张脸是真实的”的基础。在这个跨学科项目中，系统安全主席的Joel Frank，Thorsten Eisenhofer和Thorsten Holz教授与机器学习主席的Asja Fischer教授以及LeaSchönherr教授和数字信号处理主席的Dorothea Kolossa进行了合作。

迄今为止，已经使用复杂的统计方法分析了伪造的图像。Bochum组通过使用离散余弦变换将图像转换到频域中，从而选择了另一种方法。因此，生成的图像表示为许多不同余弦函数的总和。自然图像主要由低频功能组成。

分析表明，GAN生成的图像在高频范围内显示出伪影。例如，典型的网格结构浮现在伪造图像的频率表示中。“我们的实验表明，这些伪像不仅浮现在GAN生成的图像中。它们是所有深度学习算法的结构性问题，”系统安全主席Joel Frank解释说。“我们认为研究中描述的伪像将始终告诉我们该图像是否是由机器学习生成的伪造图像，” Frank补充道。“因此，频率分析是自动识别计算机生成图像的有效方法。”