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！

龙图腾网获悉南京大学申请的专利一种基于对抗学习的数据隐私保护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：CN115936958B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202210372873.X，技术领域涉及：G06T1/00；该发明授权一种基于对抗学习的数据隐私保护方法是由范彧;迟宇翔;俞扬设计研发完成，并于2022-04-11向国家知识产权局提交的专利申请。

本一种基于对抗学习的数据隐私保护方法在说明书摘要公布了：本发明公开了一种基于对抗学习的数据隐私保护方法，将基于深度生成对抗网络的换脸模型作为被攻击模型，提出一种能控制攻击效果的对抗攻击方法，从人脸图像的语义表示层面出发，实现攻击后生成可控制的具有语义特征的图片的方法；利用图像的语义可分解性，通过串联被攻击模型与语义判别器，修改语义标签来同时达成原始待保护图像的微量修改与生成图像的语义层面上的改变；在给定的人脸图像上添加扰动以使换脸模型作用于该人脸图像时所生成的换脸图像发生语义层面上的人脸外观属性明显改变，导致换脸失败。

本发明授权一种基于对抗学习的数据隐私保护方法在权利要求书中公布了：1.一种基于对抗学习的数据隐私保护方法，其特征在于，将基于深度生成对抗网络的换脸模型作为被攻击模型，提出一种能控制攻击效果的对抗攻击方法，从人脸图像的语义表示层面出发，实现攻击后生成可控制的具有语义特征的图片的方法；利用图像的语义可分解性，通过串联被攻击模型与语义判别器，修改语义标签来同时达成原始待保护图像的微量修改与生成图像的语义层面上的改变；在给定的人脸图像上添加扰动以使换脸模型作用于该人脸图像时所生成的换脸图像发生语义层面上的人脸外观属性明显改变，导致换脸失败； 方法的实现包括语义判别器训练和对抗攻击，对于所希望在生成图片上出现的语义特征类型，提前训练对应的语义判别器；换脸模型使用两张人脸图像作为输入，分别称为源图像Xs与目标图像Xt，最终输出换脸结果的合成图片中会包含源图像的身份特征和目标图像的面部属性特征和背景特征，实现在目标图像脸部以外区域不变的情况下将源图像身份转移嵌入到目标图像的效果； 所述对抗攻击是基于投影梯度下降法，针对含标签的分类模型，下降方向是使得输入图像的输出标签沿目标标签方向变化，即基于投影梯度下降法的损失是图像输出标签与目标标签的距离； 实现攻击后生成可控制的具有语义特征的图片的方法包含三个部分：生成换脸伪造图片Y；使用语义判别器输出换脸伪造图片的语义类别class；使用投影梯度下降法进行攻击；选定需要控制在伪造图片上出现的目标语义类别class_target，计算与实际换脸伪造图片的语义类别class的损失loss，使用投影梯度攻击生成对抗噪声μ，在待保护的源图Xs上加上对抗噪声就得到了被保护的图片，也被称为对抗样本； 实现攻击后生成可控制的具有语义特征的图片即可控语义攻击，首先需要构造投影梯度下降法所需要攻击的模型，将先前所述训练完成的换脸模型和语义判别器串联在一起作为端到端模型，即以两张人脸图像作为模型输入，分别称为源图像与目标图像，首先将源图像通过换脸模型中的身份编码器得到身份特征，再将目标图像通过多级属性编码器得到目标图像的多级属性特征，将所得身份特征与多级属性特征输入至生成器得到换脸图像，将换脸图像经过语义判别器得到换脸图像的语义层面外观特征作为被攻击的整体模型的输出；每一轮迭代将在原始图像上添加微小噪声，经过若干次迭代后该图像经过生成网络生成的伪造图像将选择性地出现标签中被改动部分的语义信息； 所述对抗攻击方法是把训练完成的语义判别器串联在所要攻击的深度生成对抗网络模型后面，即通过将换脸模型所得换脸图像再次输入至语义判别器模型，得到换脸图像的语义特征，将该实际语义特征和希望控制实现的语义特征计算损失函数，使用计算的损失对包含换脸模型和语义判别器模型在内的整个串联模型使用投影梯度下降法作迭代攻击，在原图上生成对抗噪声，进而得到对抗样本，即添加保护噪声后的图片。

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南京大学，其通讯地址为：210023 江苏省南京市栖霞区仙林大道163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。