汤桂花，孙 磊，毛秀青，戴乐育，胡永进

（信息工程大学，郑州 450001）

0 引言

传统图像伪造技术通常利用图像编辑软件（如Adobe Photoshop、Illustrate 和GIMP 等）通过复制粘贴，对真实图像进行拼接，有针对性地改变图像内容，伪造图像。随着人工智能、云计算、大数据技术的快速发展，以及高性能计算硬件的不断更新迭代，通过训练大量数据伪造出高质量图像的深度伪造技术成为主流。Goodfellow 等［1］于2014 年提出的生成对抗网络（Generative Adversarial Network，GAN）提供了一种基于零和博弈的高质量图像伪造方法，能够直接由随机噪声通过深度神经网络生成图像。原始GAN 经过不断改进发展，已经可以生成高分辨率的逼真图像。PGGAN（Progressive Growing of GAN）［2］是伪造高分辨率人脸图像的重大突破，通过渐进增长的训练方式，可以在CelebA-hq数据集的训练下生成1 024×1 024 的高分辨率人脸图像，是目前伪造图像质量最高的模型之一。STGAN（Style-Transfer GAN）［3-4］在PGGAN 模型的基础上作了进一步改进。然而，STGAN 解决的是人脸之间的风格转换问题，在已有人脸图像的基础上进行伪造，并非直接由随机噪声生成图像，与以往GAN 图像伪造模型有着本质的不同，因此本文选择PGGAN 伪造人脸图像作为评估数据集，能更好地代表目前GAN伪造技术的水平和揭示GAN伪造图像的本质差异。

作为一项新颖的科技创新，深度伪造技术在带来全新产业价值的同时也给个人和社会带来了相应的风险和挑战。近年来，日益开放的网络环境为伪造信息的传播创造了理想空间，英、法、美等国相继出现了利用深度伪造技术制造假新闻诱导舆论、欺骗公众甚至进行间谍活动的事件，引起人们对伦理、法律和安全方面的重大担忧。……