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！

龙图腾网获悉齐鲁工业大学(山东省科学院)申请的专利一种基于风格混合重组的人脸反欺骗域泛化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：CN120412113B 。

龙图腾网通过国家知识产权局官网在2025-08-29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：202510913280.3，技术领域涉及：G06V40/40；该发明授权一种基于风格混合重组的人脸反欺骗域泛化方法是由夏之秋;伊希伟;叶伟江;王春鹏;马宾;王玉立;任启迎;李琦;许宏吉;孙岳岳;张倩;李健;王晓雨;张佩设计研发完成，并于2025-07-03向国家知识产权局提交的专利申请。

本一种基于风格混合重组的人脸反欺骗域泛化方法在说明书摘要公布了：本发明公开一种基于风格混合重组的人脸反欺骗域泛化方法，其特征在于，包括以下步骤：S1：构造数据处理模型；S11：构造对抗学习模块；S12：构造对比学习模块；S13：构造风格组装层；S14：构造损失函数；S2：训练流程。本发明涉及图像处理技术领域，具体地讲，涉及一种基于风格混合重组的人脸反欺骗域泛化方法。本发明要解决的技术问题是提供一种基于风格混合重组的人脸反欺骗域泛化方法，提出将完整的特征分离为内容特征和风格特征，分别进行处理，内容特征通过对抗学习使其在不同域之间不可区分，而风格特征通过对比学习来强调与活性相关的信息，同时抑制域特定的信息。这种方法有效地提高了模型在未见过的域中的泛化能力。

本发明授权一种基于风格混合重组的人脸反欺骗域泛化方法在权利要求书中公布了：1.一种基于风格混合重组的人脸反欺骗域泛化方法，其特征在于，包括以下步骤： S1：构造数据处理模型； S11：构造对抗学习模块； S12：构造对比学习模块； S13：构造风格组装层； S14：构造损失函数； S2：训练流程； S21：将不同域的RGB图像输入进特征生成器中，将其完整的特征表示分离为内容特征和风格特征，风格特征又分为与活性相关的风格特征和特定域相关的风格特征； S22：内容特征经过抗学习模块，输入进瓦瑟斯坦生成对抗网络中，使得不同域的内容特征不可区分； S23：采用对比学习的策略强调与活性相关的风格特征，抑制特定域相关的特征； S24：将风格特征输入进柯尔莫哥洛夫-阿诺德网络中得到更完整的表示以及风格重组层中自适应实例规范化所需要的仿射参数及； S25：将正确的风格特征及内容特征进行重组，提高数据处理模型的泛化性以及鲁棒性； 所述对抗学习模块具体为： 通过利用最大化对抗损失函数来优化内容特征生成器的参数，而在相反的方向上优化特定域特征生成器的参数，并使用以下公式表示该过程： （1）； 其中：为判别器目标； 为生成器目标； 是对抗损失函数； 表示从数据分布（）中采样输入图像，和对应域标签的期望； 是输入图像集合，是指示函数； 为域标签的集合； 为不同数据域的数量； 为内容特征生成器； 为域特征生成器； 为了同时优化内容特征生成器及域特征生成器，瓦瑟斯坦生成对抗网络用于通过使用瓦瑟斯坦距离，衡量生成分布与真实分布之间的差异，提供更平滑的梯度，使得内容特征在不同域之间保持内容特征一致性； 对于风格信息聚合，由于风格特征的尺度不同，使用金字塔网络沿着层次结构收集多层度特征； 所述对比学习模块具体为： 结合内容特征及风格特征，得到自组装特征及混洗-组装特征； 给定长度为的输入序列，表示为输入的第个样本，其中，代表随机选择的样本索引，就是随机样本； 对于自组装特征，将其输入到分类器，并使用具有损失函数的二进制地面实况信号真实值用来监督； 对于混洗-组装特征，通过使用余弦相似性来度量它们与自组装特征的差异，余弦相似性计算公式如下所示： （2）； 其中：代表范式； 和表示两个比较的特征； 将自组装特征设置为风格化特征空间的锚点，对其执行梯度停止操作，以固定其在特征空间的位置，然后根据活性信息引导混洗-组装特征向其对应的锚点靠近或者远离，因此对比损失函数表示如下： （3）； 其中：代表自组装特征； 代表混洗-组装特征； Stopgrad（）是深度学习框架中的一种操作； 表示给定的一段样本序列的长度； 评估和的活性标签一致性，模拟过程如下所示： （4）； 其中：label表示输入样本的二分类标签用于区分活体和攻击两类样本。

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齐鲁工业大学(山东省科学院)，其通讯地址为：250300 山东省济南市长清区大学路3501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”。